Apr, 2024

危险风险管理的潜在范式转变：基于人工智能的热带气旋灾害天气预报

PDF
TL;DR通过使用人工智能驱动模型，该研究在气象灾害的风险管理策略中创造了一个转变。研究采用了热带气旋作为一个重点示例，工程设计了一种基于干扰的方法，使用先进的 Pangu AI 气象模型来产生集合预测。研究结果显示，AI 生成的集合预测在登陆前的七天内与欧洲中期天气预报中心的集合预测趋于一致。这种方法可以极大地提高天气预报驱动风险分析和管理的效果。
artificial intelligencerisk managementmeteorological hazardsensemble forecastsweather model
发现论文，激发创造
  • AI 模型对比基于物理模型的天气预报：以风暴 Ciarán 为例的量化评估案例研究

    机器学习模型和数值天气预报模型在模拟高影响天气事件方面的表现进行了比较，发现机器学习模型能准确捕捉到气旋的宏观结构，但在发出天气警报所需的细节结构方面表现较为复杂。

    Dec, 2023

  • 人工智能是否为天气预报提供第二次革命？

    人工智能天气预报模型的快速进展，尤其是近年来，已经导致了几个大参数人工智能天气预报模型的出现。本研究探讨了这些先进人工智能预报模型的演变，并基于找到的共同点，提出了它们发展的 “三大规则”。我们讨论了人工智能在革新数值天气预报方面的潜力，并简要概述了这个潜力的基本原因。此外，我们探讨了未来发展大规模人工智能天气预报模型的关键领域，整合整个数值预测过程。通过一个结合大规模人工智能模型与海洋波浪预报的例子，我们说明了预报员如何调整和利用先进的人工智能模型。我们承认大规模人工智能预报模型的高准确性、计算效率和易于部署，但我们强调传统数值预测的不可替代价值。我们相信，天气预报的最佳未来在于实现人工智能和传统数值模型的无缝融合。这种综合预计将为未来天气预报提供更全面、更可靠的方法。

    Jan, 2024

  • 人工智能和创新减轻极端天气事件对可持续生产的影响

    本文利用 Delphi Best Worst 方法和机器学习方法，探讨了数字科技在减轻极端天气的影响方面的推动因素。结果显示，人工智能预测性是最重要的标准和作用，而群众市场潜力则是最不重要的标准。作者构建的方法可以帮助决策者制定策略和干预措施，以保障可持续生产和投资改善人工智能技术以减少极端事件的不利影响。

    Sep, 2022

  • HurriCast: 利用机器学习与统计建模的 自动框架进行飓风预测

    本研究通过结合 ARIMA 模型和 K-MEANS 的方法，以及利用 Autoencoder 进行增强的模拟，有效地模拟了历史飓风行为并提供了潜在未来轨迹和强度的详细预测，为风险管理策略提供了可行的见解。

    Sep, 2023

  • 人工智能提高全球可靠洪水预测的便利性

    我们开发了一种基于人工智能的模型，能够提前七天预测极端水文事件，该模型在全球各大洲、各种提前期和重现期下均优于现有的全球水文模型，特别适用于没有测量的流域，该研究的成果已被纳入全球超过 80 个国家的运行中的预警系统，提供免费的实时预测。

    Jul, 2023

  • 级联扩散模型预测热带气旋

    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

  • 极端事件建模和理解的人工智能：方法和挑战

    近年来，人工智能（AI）深刻影响了各个领域，包括地球系统科学。本文回顾了如何利用 AI 分析极端事件（如洪水、干旱、野火和热浪），强调创建准确、透明和可靠的 AI 模型的重要性。我们讨论了处理有限数据、实时信息整合、部署模型以及使其可理解的挑战，这些对于赢得利益相关者的信任和满足监管需求至关重要。我们概述了如何通过 AI 更有效地识别和解释极端事件，提高灾害应对和沟通能力。强调跨不同领域的合作，以创建实用、可理解和可信赖的 AI 解决方案，用于分析和预测极端事件。这种合作努力旨在增强灾害准备和减少灾害风险。

    Jun, 2024

  • 全球神经天气模型预测严重对流环境的闪电快速暴风雨预警

    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

  • 天气和气候的 AI 基础模型：应用、设计和实施

    机器学习和深度学习方法在理解大气混沌行为和推进天气预报方面已得到广泛应用。在构建地球的数字孪生体方面，科技公司、政府机构和气象机构表现出越来越多的兴趣。我们回顾了当前最先进的人工智能方法，主要来自于变换器和算子学习文献，并结合气象学的背景提出了成功的标准，期望实现一系列基础模型用于即时预报和天气气候预测。我们还讨论了这些模型在下游任务中的竞争力，如下降尺度（超分辨率）、火灾有利条件的识别以及对各种时空尺度（如飓风和大气河流）具有重大影响的气象现象的预测。特别是，我们认为当前的人工智能方法已经发展到足以设计和实施一个气象基础模型的成熟阶段。

    Sep, 2023

  • 一种实用的用于人工智能天气模型的概率基准

    天气模型的概率技能与延迟集合相比较，发现 GraphCast 和 Pangu 是领先的 AI 天气模型，在确定性评分方面前者优于后者，但在概率 CRPS 指标上两者得分相同。

    Jan, 2024