Jun, 2024

利用储水池计算通过空间相关性预测远距离地区的未观测气候时间序列数据

PDF
TL;DR通过两种预测方法（储水层计算和向量自回归模型）研究了远程地点的气候要素的低成本和准确预测，发现预测精度随观测地点与目标地点之间的距离降低而下降，机器学习方法可以更有效地预测远程地点的气候要素。
time series dataclimate changeprediction methodsreservoir computingclimate variables
发现论文，激发创造
  • 机器学习应用中空间预测变量选择的重要性 —— 从数据再现到空间预测

    本文证明了在生态数据的空间预测中，除了空间验证之外，空间变量选择也必须考虑，以产生可靠的预测结果。使用 “随机森林” 机器学习算法，作者通过两个案例研究了非空间和空间交叉验证策略，并发现高度自相关的预测变量可能导致过拟合，从而产生错误的空间预测模式。

    Aug, 2019

  • 利用卫星图像预测房价：超越空间自回归模型

    本文介绍了一种卷积神经网络框架来自动地学习匹配地理空间数据中的 空间相关性，使用卫星图像中嵌入的邻域信息实现所需的空间平滑，并且克服了现有方 法的线性假设的局限性。在伦敦、伯明翰和利物浦三个城市的基础上，使用深度神经 网络的特征，相较于空间自回归基线，数据估计精度提高了 57％。

    Oct, 2016

  • 用于分析全球环境数据的时空多分辨率逼近

    本文提出了一种针对全球数据的时空建模扩展方法，将多分辨率逼近（MRA）方法与分区及复杂协方差模型拟合相结合，实现了可扩展的计算性能和灵活的协方差模型，为分析全球性数据提供了实用的策略。

    Jun, 2020

  • 基于蓄水池计算的概率负荷预测

    应用深度学习量化不确定性是实现电网管理中精确可靠的时间序列预测的关键，本研究探索并比较了在水库计算中采用的贝叶斯和确定性方法对预测准确性、计算资源效率和估计不确定性可靠性的影响。

    Aug, 2023

  • 深度学习下的零样本微气候预测

    利用从其他地理位置提取的知识，我们提出了一种新颖的零样本学习方法，用于预测新的未监测位置的各种气候测量值，该方法在预测微气候变量方面超越了传统的天气预测技术。

    Jan, 2024

  • 减少海平面上升预测中的不确定性：一种考虑空间变异性的方法

    利用多模型集合气候预测，通过降低不确定性精确可靠地预测未来海平面上升是一个重要问题，本文提出了一个区域回归模型来解决空间变异性和模型相互依赖性，并通过实验结果表明该方法在区域尺度上能给出更可靠的预测。

    Oct, 2023

  • 时间子采样减弱了地球物理湍流的递归神经网络仿真中的小空间尺度

    该论文研究了机器学习方法在模拟高维地球物理湍流过程中的预测性能，并发现训练数据的时间分辨率对于预测性能的影响。

    Apr, 2023

  • 区域风特征对基于 CNN 的风速预测的影响：来自时空相关性分析的启示

    本文探讨了加入时空数据维度如何提高神经网络开发的风力预测模型的精度，并提出了 3D-CNN 模型的预测能力与时空风现象的关联分析。

    Apr, 2023

  • 空间环境下预测方法的一致验证

    空间预测是天气预报、空气污染研究等科学探索的关键。确定在统计或物理方法中信任预测的程度对科学结论的可信度至关重要。本文中我们基于现有的共变量转移方法，根据验证数据提出了一个新方法，并在模拟和真实数据上通过经验证明了其优势。

    Feb, 2024

  • 食品安全趋势预测：基于水库计算的方法

    该研究提出了一种新的量化方法来预测马里、尼日利亚、叙利亚和也门四个国家在地方层面上连续 60 天的食物消费水平，通过对包括 ARIMA、XGBoost、LSTMs、CNNs 和 Reservoir Computing (RC) 在内的不同模型的性能进行综合分析，发现 Reservoir Computing 模型在食品安全领域具有抗过拟合和高效训练的特点，为建立全球数据驱动的早期预警系统奠定了基础，提前预测和检测食品不安全问题。

    Dec, 2023