稀疏原位数据隐式同化用于密集全球风暴潮预测
本研究使用人工神经网络模型结合一组合成暴风模拟数据库，研究了该模型模拟风暴潮水平的能力；使用时间序列模型Long short-term memory，和结合卷积神经网络的ConvLSTM模型捕捉数据的时空相关性；该模型的性能优于高斯过程实现多个合成风暴数据库的结果。
Apr, 2022
本研究采用隐式神经表示方法，从稀疏的传感器数据中可靠地重构物理场。通过将时空变化分解为空间和时间分量，并利用因变量分离技术从稀疏采样的不规则数据点中学习相关基函数，从而发展出数据的连续表示。在实验评估中，该模型在模拟数据和卫星海面温度数据集上表现出优越的重构质量，超过了最近的隐式神经表示方法。
Jan, 2024
通过深度生成模型，我们提出了SLAMS方法，用于使用实际数据集进行多模态数据同化，将现场天气站数据和卫星图像数据同化以在全球范围内校准垂直温度剖面，这是构建强大的计算模拟器的重要步骤。
Apr, 2024
通过深度学习和模型类比预测的混合方法，我们在仓库模拟的相似初始气候状态中生成预测，利用卷积神经网络估计状态相关权重以识别类比状态，从而提供深入洞察初始误差敏感区域和系统的物理演变。我们的方法在季节至年度时间尺度上通过使用Community Earth System Model Version 2 Large Ensemble预测El Niño-Southern Oscillation (ENSO)来评估；结果显示与传统的模型类比技术相比，在赤道太平洋上预测的海表温度异常在9-12个月的领先时期有10%的改进。此外，我们的混合模型在评估重分析数据集时还展示了对于温度和降水的寒冬和春季初始化的改进。我们的基于深度学习的方法揭示了与各种季节变化的物理过程相关的状态依赖敏感性，包括太平洋纬向模式、赤道补给振荡器和随机风强迫。值得注意的是，El Niño和La Niña事件的敏感性存在差异。我们发现赤道太平洋上的海表温度在El Niño的预测中起更重要的作用，而在La Niña的预测中，该地区的纬向风应力具有更大的意义。这种方法对于预测各种气候现象，包括区域的温度和降水，具有广泛的影响，并且对于传统的模型类比预测方法具有挑战性。
Apr, 2024
近期发布的一套人工智能气象模型能够在几秒钟内预测出与最先进的操作性预测相媲美的多天、中期天气预报，其在局部尺度和级数之间的竖直梯度上需要更高精度的精确性，根据2020年全球热点地区的季节性对流性能评估发现，Pangu-Weather、GraphCast和FourCastNet等三个表现最佳的人工智能模型在10天的前导时间内，对Convective Available Potential Energy（CAPE）和Deep Layer Shear（DLS）的预测结果具有相对的准确性，而且GraphCast和Pangu-Weather在全球范围内表现最好，能够达到甚至超过IFS的性能水平，由于神经气象模型中从垂直压力粗糙层导出的CAPE缺乏数值模型的垂直细分辨率，目前的结果表明，人工智能模型中对CAPE的直接预测很有前景，这将为快速且低成本的严重天气现象预测开辟前所未有的机遇，通过推进人工智能模型的评估，朝着基于过程的评估方向发展，我们为基于人工智能的天气预报面向灾害驱动的应用奠定了基础。
Jun, 2024
数据同化对于天气预报模型的初始化至关重要。最近，提出了深度生成数据同化的方法，可以在不重新训练模型的情况下使用新的输入数据，从而大大加速操作性区域天气模型中昂贵的数据同化过程。在美国中部的一个测试区域中，我们演示了在真实复杂的千米尺度天气情境中基于得分的数据同化的可行性。我们训练了一个无条件扩散模型来生成最先进的千米尺度分析产品“高分辨率快速更新”的快照。然后，利用基于得分的数据同化方法将稀疏的气象站数据融合进模型，模型生成了降水和地面风向的地图。生成的场景显示出物理上合理的结构，如阵风，敏感性测试通过多变量关系验证了学习到的物理规律。初步的技巧分析表明，这种方法已经优于高分辨率快速更新系统本身的天真基准。通过融合来自40个气象站的观测数据，对于剩余的站点达到了10%的较低根均方差。尽管存在一些局限性，如集合数据同化估计欠精确，但总体上结果令人鼓舞，并且是千米尺度上的首次概念验证。现在是一个时机成熟的时候，可以探索将日益雄心勃勃的区域状态生成器与越来越多的现场、地面和卫星遥感数据流结合起来的扩展方法。
Jun, 2024
通过使用神经网络文献中的方法，将球面数据适应传统神经网络结构，采用面积保持HEALPix投影，我们提出了一种压缩大气状态的方法，展示了超过1000x的压缩比，并以每秒全球大气状态的速率进行压缩和解压缩。
Jul, 2024
本研究解决了风暴潮建模中深度学习架构性能比较的空白，评估了CNN-LSTM、LSTM和3D-CNN模型在坦帕湾地区的表现。研究表明，CNN-LSTM模型在预测准确性和极端条件下的稳定性方面优于其它架构，为风暴潮预测提供了有效的工具。
Aug, 2024