May, 2024

海冰预测的独角兽：基于卷积神经常微分方程的 U-Net

PDF
TL;DR通过引入一种名为 Unicorn 的新型深度架构，该论文旨在使用神经网络预测北极的每周海冰浓度，并通过对 1998 年至 2021 年的真实数据进行实证分析，证明了该模型在海冰浓度和范围预测任务中相较于其他模型具有显著的改进。
sea iceforecastingneural networksdeep architecturelatent variables
发现论文，激发创造
  • MT-IceNet -- 北极海冰预测的空间和多时相深度学习模型

    基于深度学习模型及统计分析方法，我们提出了 MT-IceNet，一种预测北极海冰浓度的模型，通过处理多时空输入流来生成未来时间步的空间地图，表现出有希望的预测性能。

    Aug, 2023

  • 多任务深度卷积网络预测北冰洋海冰浓度和漂移

    通过多任务全卷积网络架构的层级信息共享 U-net（HIS-Unet），本研究提出了一种新颖的方法来预测北极海冰浓度（SIC）和海冰漂移（SID），它可以替代物理模型，提高海冰预测的性能。通过加权注意力模块（WAM）实现的信息共享，使得 HIS-Unet 在 SIC 和 SID 预测方面优于其他方法，并且在季节性海冰变化的情况下明显提升了预测效果。WAM 的权重值表明，在 SID 预测中，SIC 信息比 SID 信息更重要，而在 SIC 预测中，信息共享在季节性海冰边缘地区更活跃。

    Oct, 2023

  • 利用轻量级神经网络集成进行海冰浓度的代理建模

    基于深度学习模型对特定水域海冰浓度的空间分布进行长期预测，实验结果表明相较于资源密集型的物理模型，该方法在某些时段具有相当甚至更优的预测效果。与 Kara Sea 的基于物理模型的预测系统 SEAS5 相比，我们实现了 20% 的改进。

    Dec, 2023

  • 使用卷积变换网络从 SAR 数据中分割海冰

    本文提出了一种基于 SAR 卫星图像的混合卷积变换器网络的海冰分割新方法，优于传统卷积网络，在保持良好性能的同时比纯变换器模型高效，该方法对于海冰参数的自动化监测非常重要。

    Jun, 2023

  • 基于注意力机制集成 LSTM 的海冰预测

    本研究应用基于注意力的长短期记忆（LSTM）集成模型，使用来自 NSIDC、ERA5 重分析产品的海冰数据和大气、海洋变量，对未来一个月的月度海冰范围进行预测，并证明了其优于现有深度学习模型和基线模型。此研究表明数据驱动的方法在预测北极海冰变化方面具有潜力。

    Jul, 2021

  • 利用卷积神经网络在立方球面上改善基于数据的全球天气预报

    使用深度卷积神经网络通过 cubed-sphere 重新映射，改进 CNN 架构并在预测序列中优化损失函数，实现了更准确的天气预报，能够以几周或更长的时段内实现不断稳定的天气预报，并在短 - 中程预报中显著优于其他方法。

    Mar, 2020

  • 用于格陵兰和南极冰盖有限元冰动力学仿真的图神经网络

    数值模型、卷积神经网络、等变图卷积网络、冰川动力学和计算效率的研究。

    Jun, 2024

  • 应用自适应循环图神经网络预测深层冰层厚度

    本文提出一种利用自适应递归图卷积网络的机器学习模型，通过使用空气激光雷达数据中近年来积雪量的预测，预测深层冰层的历史积雪量，以研究气候趋势和精准预测未来的气候和降水情况。我们发现，相比于之前的模型以及等价的无时间、无几何形态和非自适应模型，我们的模型表现更好、更一致。

    Jun, 2023

  • 利用空洞卷积提升 Sentinel-1 图像中的海冰分割

    使用机器学习算法对海冰进行自动化定位和分割，通过使用带噪声的 Sentinel-1 SAR 影像，开发了高效、具有空间分辨率、维度保持能力，并且对噪声更加稳健的面向海冰映射的算法。

    Oct, 2023

  • DeepUNet: 一个用于像素级海陆分割的深度全卷积神经网络

    本文提出了一种名为 DeepUNet 的新型卷积神经网络，通过使用 DownBlock 和 UpBlock，引入了新的 U-Connection 和 Plus Connection，以实现对复杂海 - 陆环境下高分辨率遥感图像的精确语义分割。实验结果表明，DeepUNet 在性能上表现良好，并在高分辨率遥感图像方面优于 SegNet 和 U-Net。

    Sep, 2017