实时检测和预测极端天气，通过将其作为一个视觉问答问题重新定义，引入了一种更精确、自动化的解决方案。利用视觉语言模型同时处理视觉和文本数据，我们的研究提供了一种有效的辅助分析气象热图过程的方法。通过介绍气候问答数据集 ClimateIQA 和基于 OpenCV 和 K-Means 聚类的 SPOT 技术，我们的模型集合 Climate-Zoo 在极端天气事件检测中取得了显著的性能提升。该研究中的数据集和模型可供未来的气候科学研究使用。

Jun, 2024

本研究提出了一种新的多天气共存估计方法，基于物理原理模型化了天气不确定性，并通过高斯混合模型和先验 - 后验学习实现了不确定性感知的多天气学习方案。实验结果表明该方法在常规多标签天气分类和多天气共存估计任务中均具有最先进的性能和广泛的泛化能力。

Mar, 2024

我们提出了一种从在恶劣天气条件下拍摄的图像中推断语义分割地图的方法，通过利用语言作为指导，在不同的气候效应对图像的影响下，模型在 WeatherProof 和 ACDC 数据集上表现出了更好的性能。

Mar, 2024

近期发布的一套人工智能气象模型能够在几秒钟内预测出与最先进的操作性预测相媲美的多天、中期天气预报，其在局部尺度和级数之间的竖直梯度上需要更高精度的精确性，根据 2020 年全球热点地区的季节性对流性能评估发现，Pangu-Weather、GraphCast 和 FourCastNet 等三个表现最佳的人工智能模型在 10 天的前导时间内，对 Convective Available Potential Energy（CAPE）和 Deep Layer Shear（DLS）的预测结果具有相对的准确性，而且 GraphCast 和 Pangu-Weather 在全球范围内表现最好，能够达到甚至超过 IFS 的性能水平，由于神经气象模型中从垂直压力粗糙层导出的 CAPE 缺乏数值模型的垂直细分辨率，目前的结果表明，人工智能模型中对 CAPE 的直接预测很有前景，这将为快速且低成本的严重天气现象预测开辟前所未有的机遇，通过推进人工智能模型的评估，朝着基于过程的评估方向发展，我们为基于人工智能的天气预报面向灾害驱动的应用奠定了基础。

Jun, 2024

本文提出了一种基于大量非结构化文本数据的事件预测方法，即将其转化为一种限定领域的问答任务。特意构建了 ForecastQA 问答数据集用于测试，采用 BERT-based 模型，最终精度达到 60.1%，但还落后于人类表现约 19%。

May, 2020

通过评估 GPT-4V 在解释气象图表和向用户适当传达天气风险方面的能力，尽管存在幻觉等挑战，该研究强调谨慎整合 GPT-4V 等工具在气象学中的必要性，强调人工监督和开发可靠、可解释的人工智能。

Apr, 2024

深度学习天气预测模型的预测准确性正在迅速提高，但仍存在需求，需要综合评估这些新兴技术的全面性。通过对比三个案例研究，我们发现机器学习的天气预测模型在创纪录的极端天气事件中可能能够达到与高分辨率天气预测系统相似的准确性，但其在极端条件下的外推能力可能比后者更受影响。这些研究可以为现有研究提供补充，增加公众信任，并有助于开发可靠的机器学习天气预测模型。

Apr, 2024

基于预训练语言模型的天气模型 LM-Weather 通过引入个性化轻量级适配器，使得设备能够高效地获取高度定制的气象模型，进一步提高了通信效率并确保了隐私，广泛的实验证明了其在天气预测和插值等任务上相较于现有方法具有更好的性能。

May, 2024

随着气候变化加剧，准确的全球规模灾害预测变得迫切。本研究提出了一种新颖的多模态灾害预测框架，结合了天气统计数据、卫星图像和文本洞察。我们特别关注 “洪水” 和 “滑坡” 的预测，因为它们与气象和地形因素相关。该模型基于现有数据精心设计，并实施策略来解决类别不平衡问题。虽然我们的研究结果表明，整合多种数据来源可以提升模型性能，但增强程度因每种灾害的特性和其独特的根本原因而有所不同。

Sep, 2023

开发了一种用于美国本土的严重天气（龙卷风、冰雹和风阵）的概率预测的集成后处理方法，该方法结合了条件生成对抗网络（CGAN），一种深度生成模型，与卷积神经网络（CNN）来后处理对流允许模型（CAM）预报。

Oct, 2023