Apr, 2024

MetaSD: 普适可扩展的气象要素降尺度统一框架

PDF
TL;DR提出了一种结合元学习的统一降尺度方法，旨在便捷降尺度不同气象变量，在不同时空尺度下。实验证据表明，该方法在定量和定性评估方面优于现有的顶层降尺度方法。
meteorological variablesneural networksdownscalingmeta-learninginterconnections
发现论文，激发创造
  • 基于观测引导的气象场缩尺度：基准和新方法

    本研究介绍了一种新型的天气降尺度模型，名为 HyperDS，它基于超网络架构并通过集成多尺度观测先验信息，实现了连续尺度建模的气象场效果，并在多个表面变量上优于其他基准模型。

    Jan, 2024

  • 机器学习方法在统计降尺度中的比较：以日降水和极端降水为例

    本文针对机器学习在全球气候模型统计降尺度中的应用进行研究，将 Bias Correction Spatial Disaggregation, Ordinary Least Squares, Elastic-Net, Support Vector Machine 等方法与 Multi-task Sparse Structure Learning, BCSD 和 Convolutional Neural Networks 等先进机器学习方法进行对比分析，结果表明直接应用最新的机器学习方法不能优于较简单的传统方法，文中特别关注了美国东北部地区的每日降水量，结果对每种方法的能力进行了评估。

    Feb, 2017

  • 气候模式降尺度化的多变量硬物理约束

    研究全球气候模型、统计降尺度方法、深度学习、粗糙变量和多变量硬约束之间的关系，并提出了一个框架，从而解决区域 GCM 预测中基本物理性质之间的违反问题。

    Aug, 2023

  • 自监督视觉在气候尺度调整中的应用

    使用深度学习模型进行 Earth System Models 的降尺度模拟，该方法不需要高分辨率真实数据，具有优越的性能和广泛应用于气候研究的潜力。

    Jan, 2024

  • 气候变量下尺度处理与条件正态化流

    应用条件正规化流方法进行气候变量降尺度，成功对不同上采样因子的 ERA5 水含量数据集进行了性能展示，并展示了该方法能够通过拟合条件分布均值得出的标准差来评估预测的不确定性。

    May, 2024

  • 基于生成式深度学习的降水预测随机降尺度方法

    本文介绍了应用生成对抗网络来提高天气预报模型低分辨率输出数据的分辨率和结构，以匹配高分辨率雷达测量数据。结果表明，该模型可以匹配现有的最佳降尺度方法，而且在像素、空间和统计数据上表现优异。

    Apr, 2022

  • 气候下尺度化：基于深度学习的降水数据超分辨率模型，带有注意力块和跳跃连接

    通过使用深度卷积神经网络和其他技术，将低分辨率的降水数据降尺度为高分辨率的数据，以追踪降水并提高气候下缩放模型的预测准确性。

    Mar, 2024

  • 使用单幅图像超分辨率生成高分辨率的气候变化预测

    本文介绍 DeepSD 框架，一种利用超级分辨率图像处理技术进行气候统计降尺度的卷积神经网络模型，可以将原本粗糙的模拟数据提高预测的准确性和可靠性。作者使用 NASA 地球交换平台，将其应用于对超过 20 种不同情境下的全球气候变化进行计算。

    Mar, 2017

  • 基于生成式基础模型的快速、自适应和不确定性感知的地球系统模型场景下尺度缩放

    使用一种高效准确的一次训练模型，通过机器学习来降低任意地球系统模型的计算复杂度，同时实现了无需重新训练模型即可普适于未知气候状态的高分辨率降尺度。

    Mar, 2024

  • 地球系统模型降水的条件扩散模型用于降尺度与偏差修正

    气候变化加剧了如大雨和洪水等极端天气事件。本文提出了一种新的机器学习框架，用于同时进行偏差校正和下尺度处理。通过在观测数据上训练生成性扩散模型，并对观测和地球系统模型数据进行映射，我们的方法能够纠正任何地球系统模型的地理要素，确保了统计质量并保留了大尺度空间模式。

    Apr, 2024