全球与本地:评估用于热带气旋强度估计的 AlexNet 架构
我们尝试优化一种新型轻量级上下文引导的卷积神经网络,通过对特征处理、数据增强、损失函数和架构的修改,提高对气候数据中的热带气旋和大气河流的语义分割,尤其着重于最具破坏性的天气现象 —— 热带气旋的检测,采用加权损失函数以改善珍稀事件的类别不平衡性,具有一定的成功性。这个研究有利于提高掌握气候变化影响下的极端天气事件检测的能力,为预测、缓解和公平适应气候变化带来新的方向。
Mar, 2023
本篇研究提出使用多层神经网络基于多通道卫星图像对复杂大气动态进行理解,为单个台风坐标预测任务进行线性回归并在东北半球获得了有趣的预测结果。
Aug, 2017
提出了一个使用生成对抗网络和卷积神经网络相结合的新颖框架,该模型利用所有卫星数据进行训练,只使用高频红外和水汽数据提供强度估计,并且可以将最大估计频率从 3 小时提高到不到 15 分钟。
Oct, 2020
通过整合卫星成像、遥感和大气数据,利用扩散模型进行研究,采用级联方法进行气旋路径预测和降水模拟,从而实现具有高准确性的预测,适用于对预测需求迫切、且受限于资金的高度脆弱地区的特殊气象需求。
Oct, 2023
利用卫星图像进行场景分析以准确预测台风强度,引入自注意力机制的 “Typhoon Intensity Transformer”(Tint)通过每层具有全局感受野的自注意力操作,提升了局部和全局上下文关系的提取能力,并在公开的台风基准测试中验证了其在深度学习和常规气象方法方面的有效性。
Nov, 2023
本研究使用卫星图像和深度学习技术对热带气旋进行结构特征建模,并提供了可用于训练的基准数据集以促进数据科学家更多关注这一重要问题。实验结果表明,建议模型具有良好的鲁棒性和潜在应用价值。
Oct, 2020
本研究构建了一个基于卫星图像数据的热带气旋快速加强预测基准并展示了深度学习在解决复杂气象问题方面,如快速加强预测中的优越性能。
Sep, 2019
本文利用神经网络模型输入历史路径数据和再分析大气图像数据,很好地解决了热带气旋准确预测的问题,模型预测准确率较高,相较于传统的预测方法有很大的优势,可以为实时预报提供宝贵的参考依据。
Oct, 2019
通过使用深度学习技术来精确评估自然灾害中建筑损害,在利用遥感数据的背景下进行实现。我们探索使用来自全球各地的多样化灾难事件的 xBD 数据集作为主要焦点,以评估深度学习模型。我们解决了推广到新灾难和地区的挑战,同时考虑了自然灾害数据中固有的低质量和噪声标签的影响。此外,我们的研究定量地证明了对于有效的建筑损害检测,最低的卫星图像分辨率为 3 米,对于使用对称和非对称分辨率摄动分析的分类低于 1 米。为了实现对建筑损害检测和分类的稳健准确评估,我们评估了具有残差、压缩和激活以及双路径网络主干的不同深度学习模型,以及集成技术。总体而言,F-1 得分为 0.812 的 U-Net Siamese 网络集成在 xView2 挑战基准测试中表现最好。此外,我们还将对所有灾害进行训练的通用模型与洪水专家模型进行评估,并调查了在 Ahr Valley 的领域数据中的事件间通用性差距和分布。我们的研究发现展示了先进人工智能解决方案在增强气候变化引发的极端天气事件(如洪水和飓风)影响评估方面的潜力和局限性。这些见解对于在不断升级的气候挑战面前的灾害影响评估具有重要意义。
Sep, 2023