层次图神经网络的概率天气预测

Jun, 2024

Probabilistic Weather Forecasting with Hierarchical Graph Neural Networks

Joel Oskarsson, Tomas Landelius, Marc Peter Deisenroth, Fredrik Lindsten

TL;DR机器学习在高分辨率天气预报方面已成为一种强大的工具，而准确捕捉这一混沌天气系统中的不确定性要求概率建模。我们提出了一种名为 Graph-EFM 的概率天气预报模型，结合灵活的潜变量形式与成功的基于图的预测框架。使用分层图构建使得能够高效地采样到空间一致的预测。Graph-EFM 每个时间步仅需要单次前向传递，可快速生成任意规模的集合。我们在全球和有限区域预测上对该模型进行了实验。来自 Graph-EFM 的集合预测在误差方面与可比较的确定性模型相当或更低，并且还能准确捕捉到预测不确定性。

Abstract

In recent years, machine learning has established itself as a powerful tool for high-resolution weather forecasting. While most current machine l

machine learning weather forecasting probabilistic modeling graph construction ensemble forecasts

发现论文，激发创造

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

HiSTGNN：用于天气预报的分层时空图神经网络

本文提出了一种层次化的时空图神经网络模型 (HiSTGNN)，用于模拟多个站点中气象变量之间的跨区域时空相关性，在三个真实气象数据集上表现出明显优异性能，特别是与最先进的天气预报方法相比，其误差降低了 4.2% 到 11.6%。

Jan, 2022

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

使用扩散模型模拟天气预报集合

利用生成型人工智能技术，从现有的少量预测数据中生成具有可靠性且准确度高的气象预测，且比传统方法成本少。

Jun, 2023

GenCast：基于扩散的中期天气集成预测

基于机器学习的概率天气预测模型 GenCast 在 1 度分辨率下可以比传统的集合系统更准确地预测天气，并展示了良好的可靠性和物理一致性。

Dec, 2023

利用机器学习替换降水集合预测系统

使用生成对抗网络生成高分辨率降水的合成降水集，而无需高分辨率训练数据，该集与欧洲中期天气预报中心集基本相同。

Apr, 2023

DeepHGNN: 基于图神经网络的层次相关多变量时间序列预测方法研究

这篇论文介绍了一种针对复杂层次结构的新型 Hierarchical GNN（DeepHGNN）框架，该框架通过创新的基于图的层次插值和端到端的协调机制，在多个层次上确保了预测的准确性和一致性，同时在层次之间共享信号，以解决层次预测中的一个关键挑战。

May, 2024

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

基于图神经网络的概率性需求预测

该研究论文在需求预测中通过整合图神经网络到先进的 DeepAR 模型，并利用文章属性相似性构建图形，提出了一种解决独立文章预测和相关文章交互的方法，实验结果表明该方法在真实数据集上始终优于非图形基准，同时产生了对下游业务任务有用的文章嵌入。

Jan, 2024