May, 2024

基于回归神经网络（RNN）构建城市的温度预测模型

PDF
TL;DR应用循环神经网络预测城市温度的研究与解决方案的综述。
weather changeglobal warmingweather forecast modelspredictive modelsrecurrent neural networks
发现论文，激发创造
  • 利用机器学习和深度学习预测主要城市的温度

    利用时间序列分析和机器学习算法，基于大学的温度变化数据库，我们成功预测了未来各个城市的温度变化。

    Sep, 2023

  • 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

  • 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

  • 未来技术对未来的预测：大型气象模型的进展

    该论文回顾了大型模型，尤其是采用深度学习技术的模型在天气预报中的进展和应用，强调它们在改善传统预报方法方面的作用。这些模型利用卷积神经网络（CNN）、图神经网络（GNN）和 Transformer 等先进的神经网络架构来处理各种气象数据，提高了各种时间尺度和空间分辨率上的预测准确性。论文还讨论了该领域的挑战，包括数据获取和计算需求，并探索了模型优化和硬件进展的未来机会。它强调了人工智能与传统气象技术的整合，承诺提高天气预报准确性，并在应对与气候相关的挑战方面做出重要贡献。这种协同作用将大型模型置于气象预报不断发展的前沿地位。

    Apr, 2024

  • 基于图的神经气象预测有限区域建模

    气候变化时期，精确机器学习方法在天气预报方面的崛起为大气建模开辟了全新可能性；尽管大多数现有的神经气象预测方法都专注于全球预测，但在有限范围内建模的应用仍是关键问题，本文将基于图形的神经气象预测方法调整为有限区域设置，并提出了多尺度分层模型扩展，通过对北欧地区的局部模型进行实验证实了我们的方法。

    Sep, 2023

  • 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

  • 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

  • 利用 长短期记忆网络（LSTM）和物联网（IoT） 进行城市环境下局部表面温度预测

    本文提出了一种基于 LSTM 深度学习网络的框架，用于以高空间分辨率生成未来一天每小时的气温预测，并利用纽约市的历史原位观测和物联网观测进行了案例研究，旨在解决在城市环境下，由于热岛效应导致空气温度预测存在空间分辨率和历史气候样本不足等问题。

    Feb, 2021

  • 神经网络用于流域水温预测的评估

    本研究利用神经网络预测德国六条小溪的水温。通过评估神经网络的鲁棒性、可能的最大值和最小值以及单个输入参数对输出的影响等分析方法，为可靠的水温预测模型选择架构和输入参数做出贡献，以帮助了解神经网络中的过程并增强系统的韧性。

    Oct, 2021

  • 一种用于多步风力预测的并行 CNN-RNN 方法

    本文提出了一种融合卷积神经网络和循环神经网络的 CNN-RNN 结构，使用来自地理网格多个点的气象数据和风电场的时间信息进行日前风电预测，并在全球预测中取得了较好的结果，与传统模型相比，更好的实现了空间特征提取。

    Jan, 2023