通过分布式变量表示增强天气预报
该研究论文通过将全球人工智能天气预报模型 FengWu 与四维变分同化算法集成,开发出一种 AI 驱动的循环天气预报系统 FengWu-4DVar,该系统可以将观测数据融入数据驱动的天气预报模型,通过考虑大气动力学的时间演化,以无需物理模型的辅助方式进行循环预测,从而获得准确的分析场,实现精确和高效的迭代预测。
Dec, 2023
机器学习正在颠覆中程天气预报,本研究提出了 Aardvark Weather,首个全数据驱动的天气预测系统,将全天候数据作为输入,提供全球和本地预报,以简洁高效的方式进行中程天气预测。
Mar, 2024
本文研究了如何使用变分自编码器将气候数据映射到已知分布,以探索偏差并控制合成更极端的天气场景,实验结果表明,将复杂的气象数据映射到已知的分布中可实现对天气场景的合成及控制。
Jul, 2021
利用机器学习模型对天气数据进行分类,通过数据增强方法解决天气类别不平衡问题,以及在分散和联邦学习环境中训练模型,从而提高对罕见但关键的天气事件的准确性。
Oct, 2023
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
通过实时实验,本文量化了计算成本与预测误差之间的关系,使用气象业务为例,使用多个流行的回归技术对多个地点的温度、风速和云量进行了多个时段的短期预测,结果显示使用方差地平面方法能够降低计算使用量约 50%,同时导致 0-15% 的增加,而基于性能的重训练方法不仅能够降低计算使用量高达 90%,还提高了预测误差高达 10%,两者的组合在根据计算使用量归一化的误差方面优于其他模型配置达到 99.7%。
Sep, 2023
该研究通过使用自适应傅立叶神经算子 (AFNO) 模型以及提出的时间滑动方法对 ECMWF 重新分析 v5 (ERA5) 数据集进行扩充,采用低分辨率数据开创性地改进了现有的气象预测方法,从而提高了大气状况预测的准确性,并证实了该模型反映当前气候趋势的能力和预测未来气候事件的潜力,为气候建模领域提供了更具可行性和包容性的路径。
Feb, 2024
提出了一种结合元学习的统一降尺度方法,旨在便捷降尺度不同气象变量,在不同时空尺度下。实验证据表明,该方法在定量和定性评估方面优于现有的顶层降尺度方法。
Apr, 2024
通过搭建一个基于联邦学习的时空气象数据预测分析框架,本研究在一个去中心化的环境下建立了一个空间 - 时间的气象数据模型,实现了低成本、高效率、安全共享的监督学习和知识融合。在共享大型的融合模型同时,每个参与者还可根据不同的地理位置获取个性化的定制模型来应对气候变化。实验结果表明,该方法可以有效地优化经典气象预测任务。
May, 2023
通过在 ERA5 数据上训练经过最小改进的 SwinV2 Transformer 模型,我们展示了即使在相对常规的体系结构、简单的训练过程和适度的计算预算下,也可以实现高水平的预测技巧,并比较了其与 IFS 的优越性。我们对训练流程的关键方面进行了一些剖析,探索了不同的损失函数、模型尺寸和深度以及多步细调的影响,并且通过超出典型 ACC 和 RMSE 的指标来检查模型的性能,并研究了模型规模对性能的影响。
Apr, 2024