DustNet:萨赫勒地区沙尘的技巧性神经网络预测
提出了一种双重深度神经网络(D-DNet)预测与数据同化系统,能够高效整合实时观测,确保可靠的运营预测。D-DNet 在 PM2.5 和 AOD550 的全球运营预测方面表现优秀,在 2019 年整年内保持一致的准确性,并比 Copernicus Atmosphere Monitoring Service (CAMS) 4D-Var 运营预测系统具有显著的高效性,同时保持可比较的准确性。这种高效性有利于集合预测、不确定性分析和大规模任务。
Jun, 2024
本文介绍了 MetNet-3,即一个基于气象观测预测降雨、风、温度和露点的神经网络模型,该模型引入了一种重要的数据密集化技术,并通过性能比较,证明了 MetNet-3 与最先进的概率性数值天气预报模型相比,在 24 小时内具有更好的预测表现。
Jun, 2023
利用深度神经网络,MetNet 能在高达 1 km² 的空间分辨率下、每 2 分钟一个时间间隔内预测未来 8 小时的降水情况。它使用轴向自注意力来聚合来自一个对应于 1 百万平方千米的大型输入块的全局上下文。研究表明,在大陆尺度上,MetNet 在各种降水阀值下的预测性能优于数值天气预报长达 7 至 8 小时。
Mar, 2020
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
FourCastNet 是一个全球数据驱动的天气预报模型,利用神经网络技术在短时间内生成高分辨率、快速时间尺度的变量预测,包括风速、天气等,速度快,且适用于扩大概率预测的大范围应用。
Feb, 2022
用于估计 PM2.5 浓度的深度集成森林方法在提供高分辨率 PM2.5 地图的建模方面表现出较好的性能,相较于深度学习方法和经典的数据驱动方法,其能够给出更准确的 PM2.5 估计值。
Feb, 2024
通过将深度学习和数值天气预报(NWP)相结合,我们提出了一种改进短期全球降水预报的混合模型,并证实其可显著提高预报技能和减小均值偏差。
Jun, 2022
利用 Sentinel-5P 卫星、气象条件和拓扑特征的数据,本研究引入了一系列机器学习模型来预测未来 5 种主要污染物的水平。通过在米兰都市区进行的实验,这些模型在预测未来一天的污染物水平方面表现出了良好的效果,误差率约为 30%。该研究对提升我们对城市空气质量动态的理解以及强调结合卫星、气象和地形数据来开发强大的污染物预测模型的重要性做出了贡献。
May, 2024
该论文基于数据驱动的深度学习技术,提出了 FourCastNet 这一可以比当前基于物理的数值天气预报快 80000 倍并且准确性优于状态 -,预测全球天气、产生中程预报的系统。同时,FourCastNet 还可以生成准确的即时天气预测,提高了全球预测的分辨率。
Aug, 2022