ICLRApr, 2024

ClimODE: 基于物理知识的神经 ODE 的气候与天气预测

PDF
TL;DRClimODE 是一种深度学习方法，利用统计力学中的流动原理和价值保持动态实现气候演变的建模和预测，并能够估计预测中的不确定性。该方法在全球和区域预测方面表现优于现有的数据驱动方法，参数化程度相对于其余方法要小一个数量级，从而树立了新的技术标杆。
climateweather predictiondeep learninguncertainty quantificationneural flow
发现论文，激发创造
  • ClimaX：天气和气候的基础模型

    该研究介绍了一种名为 ClimaX 的深度学习模型，能够使用异构数据集（跨越不同变量，时空范围和物理基础）进行训练，预测气象和气候。ClimaX 扩展了 Transformer 架构，并表现出优越的性能。

    Jan, 2023

  • 用神经网络将天气预报分解为平流和对流

    使用图注意力网络和多层感知器，我们提出了一个简单而有效的机器学习模型，可以分别学习动力核心中的水平运动和物理参数化中的垂直运动，以提高全球天气预报的准确性和效率。

    May, 2024

  • 基于图结构的多元素 ODE 神经网络用于时空交通预测

    本文提出了一种新颖的基于图的多 - ODE 神经网络（GRAM-ODE）架构，通过捕捉复杂的局部和全局动态时空依赖关系的不同视图来学习更好的表示，并在其中间层添加了共享权重和发散性约束等技术以进一步改善面向预测任务的通信。在六个真实数据集上进行的广泛实验表明，GRAM-ODE 相比最先进的基线方法具有明显的优越性，并且不同组件对整体性能的贡献。

    May, 2023

  • 球面扩散下全球气候模型的概率仿真

    数据驱动的深度学习模型正在改变全球的天气预报，但能否成功应用于气候建模仍存在挑战。本文提出了首个能够生成准确且物理一致的全球气候集合模拟的条件生成模型。我们的模型每隔 6 小时进行一次时间步骤，并在 10 年的模拟中保持稳定。我们的方法超越了相关基准，并几乎达到了成功模拟气候模型的黄金标准。我们讨论了基于动力学信息扩散模型的关键设计选择，这为高效的数据驱动气候模拟迈出了重要一步，有助于更好地理解地球并适应不断变化的气候。

    Jun, 2024

  • 神经广义环流模型

    通过将不同的大气动力学求解器与机器学习组件相结合，我们展示了首个能够生成确定性天气、集合天气和气候预测的 GCM 模型 NeuralGCM，其预测能力与最佳的机器学习和基于物理的方法相当，同时在天气和气候方面，我们的方法相对于传统 GCMs 有数量级的计算节省，并能够增强对地球系统的理解和预测所必需的大规模物理模拟。

    Nov, 2023

  • DeepPhysiNet: 将深度学习与大气物理学相结合，进行精确和连续的天气建模

    将物理定律与深度学习模型相结合的 DeepPhysiNet 框架可以实现准确连续的天气系统建模，增强预测精度并获得连续的时空分辨率结果。

    Jan, 2024

  • 使用神经常微分方程在不同云层下进行作物分类

    使用神经常微分方程和递归神经网络结合的方法，可以在时间不规则的卫星遥感数据集上进行作物类型分类，从而实现了系统状态的随时采集和数据的外推。

    Dec, 2020

  • 深度整合差分方程模型用于时空预测

    本文使用 CNN 模型提取过程动态，并在层次统计 IDE 框架下采用集合卡尔曼过滤器进行概率预测，从而提供了一种现实的、可解释的和计算高效的动态全局先验模型。

    Oct, 2019

  • 基于动态图神经 ODE 的多元时间序列预测

    本文提出了一种使用动态图神经普通微分方程（MTGODE）来预测多元时间序列的连续模型，旨在解决离散神经网络在捕捉稳定和精确的时空动态时所遇到的困难。我们的实验证明了该方法从多种角度在五个时间序列基准数据集上的超越性。

    Feb, 2022

  • 基于实际预测过程引导的扩散天气预测

    应用扩散模型实现具有灵活性和可控性的天气预报系统，能够整合数值天气预报，并结合持续性和气候数据以提高长期预测稳定性。

    Feb, 2024