Jul, 2024

使用图像处理估计热带风暴Biparjoy相关区域和降水量

HTML
PDF
TL;DR提出了一种利用遥感数据估计累积降水和受影响区域的方法，研究结果显示Tropical Cyclones对印度和阿拉伯海贡献了53.14 mm/day的平均降雨量，覆盖了广阔的411.76万平方千米，强调了进一步研究的重要性以增强预测模型和灾害准备工作，以建立对热带气旋不同影响的抵抗能力。
发现论文，激发创造
  • 处理时间异质性卫星数据实现实时热带气旋强度估计

    提出了一个使用生成对抗网络和卷积神经网络相结合的新颖框架，该模型利用所有卫星数据进行训练，只使用高频红外和水汽数据提供强度估计，并且可以将最大估计频率从3小时提高到不到15分钟。

    Oct, 2020

  • 利用ERA5再分析数据进行热带气旋检测的集成机器学习方法

    通过机器学习集成方法，本研究建立了一种模型以便对热带气旋进行检测和定位，结果表明该方法能够准确地检测出比模型训练时使用的更低的TC类别并进一步提高了TC定位的性能。

    Jun, 2023

  • 级联扩散模型预测热带气旋

    通过整合卫星成像、遥感和大气数据，利用扩散模型进行研究，采用级联方法进行气旋路径预测和降水模拟，从而实现具有高准确性的预测，适用于对预测需求迫切、且受限于资金的高度脆弱地区的特殊气象需求。

    Oct, 2023

  • 利用 Google Earth Engine (GEE) 分析选定的水电站水域的降雨和水域变化：以斯里兰卡和越南两个热带国家为例的案例研究

    这项研究通过遥感分析在两个热带季风国家——越南和斯里兰卡的降雨模式和水库水域范围之间的关系，揭示了降雨格局与水库水域范围动态变化之间的明确关联，对深入了解降雨变异性如何影响热带季风地区的水资源，提供了支持水资源管理策略和决策流程的初步发现。

    Oct, 2023

  • 数字台风：热带气旋时空建模的长期卫星影像数据集

    此论文介绍了数字台风数据集的官方发布，这是一个超过40年的最长台风卫星影像数据集，旨在为长期时空数据的机器学习模型提供基准。

    Nov, 2023

  • 气候变化下热带气旋强度和能量极端的深度学习揭示

    利用深度学习方法和数据集，对热带气旋的结构和能量进行了综合评估，发现过去几十年中，主要热带气旋的比例增加了约13％，极高能量热带气旋的比例增加了约25％，高能量热带气旋的总能量也呈现上升趋势，进一步证实了气候变化对热带气旋的影响。

    Feb, 2024

  • 全球热带气旋强度预测的多模式多尺度因果自回归模型

    通过将因果关系与大规模多模式数据相结合，我们提出了第一个全球台风强度自回归预测模型Multimodal multi-Scale Causal AutoRegressive model（MSCAR），并提供了迄今为止最长且最全面的与台风有关的全球数据集Satellite and ERA5-based Tropical Cyclone Dataset（SETCD）。实验结果表明MSCAR优于最先进的方法，在全球和地区预测误差上分别实现了最大减少9.52%和6.74%。

    Feb, 2024

  • CloudSense：云计算类型识别模型的机器学习方法

    利用机器学习方法对印度西部Ghats山脉复杂地形区域的降水云进行准确分类，比传统雷达算法表现更好，提供了更准确的云检测和分类结果，对改进降水量估计具有重要意义。

    May, 2024

  • 通过条件去噪扩散模型从数字台风卫星图像中估计大气变量

    本研究针对如何从数字台风卫星图像中同时预测ERA5多个气象变量的问题，提出了一种新的方法。研究表明，条件去噪扩散概率模型（CDDPM）在生成准确的气象数据方面优于卷积神经网络（CNN）和压缩激励网络（SENet），其PSNR成绩达32.807，显示出显著的性能提升。这项研究的成果能够帮助填补缺失的气象数据并生成高质量的气象预测，从而减轻严重天气事件对易受影响地区的影响。

    Sep, 2024

  • 通过条件去噪扩散模型从数字台风卫星图像中估计大气变量

    本研究针对从数字台风卫星图像同时预测多个ERA5气象变量这一问题，提出了一种新的方法，即条件去噪扩散概率模型（CDDPM）。与卷积神经网络（CNN）和压缩-激励网络（SENet）相比，CDDPM在生成准确和真实的气象数据方面表现最佳，显著提高了数据的质量，有望改善对台风等极端天气事件的预测能力。

    Sep, 2024