用神经网络将天气预报分解为平流和对流

May, 2024

用神经网络将天气预报分解为平流和对流

Decomposing weather forecasting into advection and convection with neural networks

Mengxuan Chen, Ziqi Yuan, Jinxiao Zhang, Runmin Dong, Haohuan Fu

TL;DR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。

Abstract

operational weather forecasting models have advanced for decades on both the explicit numerical solvers and the empirical physical parameterization schemes. However, the involved high computational costs and uncertainties in these existing schemes are requiring potential improvements t

operational weather forecasting models machine learning methods graph attention network multi-layer perceptron global weather forecasting

发现论文，激发创造

用于后处理集合天气预报的神经网络

本文提出了一种基于神经网络的灵活的天气预测统计后处理技术，可以自动学习非线性关系，显著优于传统后处理方法，并可以被扩展到其他统计后处理和预测问题。

May, 2018

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

大范围神经网络精细预测十二小时降水

本文介绍了一种基于神经网络的天气预测模型，可以在大范围内预测未来十二小时的降水，并在大陆美国地区比基于物理的 HRRR 及 HREF 模型表现更好，进而证明基于数据驱动的预测模型具有推动天气预测技术进步的潜力。

Nov, 2021

机器学习模型对天气预测的比较评估

该研究通过应用机器学习算法，分析了各种算法在使用达卡市一个气象站 20 年数据预测降水和温度变化模式方面的贡献和性能指标。研究结果突出了显著成就，并提供了有价值的洞察和特征相关性。

Feb, 2024

使用神经网络对亚网大气过程进行稳定、精确、物理一致参数化，并在降低精度的情况下具有良好性能

通过从高分辨率大气模拟中粗粒化模型方程和输出的方式学习神经网络参数化，实现替换传统的物理模型的亚网参数化方法，最终实现稳定的气候模拟并提高计算效率。

Oct, 2020

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

使用深度学习来描述气候模型中的子网格过程

利用深度学习可以以极小的计算代价代替传统的云细度建模的层状参数化方法，实现全球多年的气候预测。

Jun, 2018

利用机器学习参数化湿对流：对气候、气候变化和极端事件建模的潜力

本研究借助机器学习作为一个新的参数化方式，直接从高分辨率模型输出中学习新的对流参数化，然后进行了为期一年的筛查，确保新的参数化方式与原有的传统参数化方法保持一致，而且还对该新方法的效果进行了评估，结果表明，该方法能够更准确地模拟气候特征。

Jun, 2018

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

应用图神经网络预测全球天气

使用图神经网络的数据驱动方法预测全球天气，通过学习当前 3D 大气状态的六小时步长以及多步连接，可以产生数天后的精准预报，测试表现优于以前的数据驱动方法，并且与 GFS 和 ECMWF 的物理模型的全分辨率相当可比。

Feb, 2022