大气状态的神经压缩
使用深度卷积神经网络通过cubed-sphere重新映射,改进CNN架构并在预测序列中优化损失函数,实现了更准确的天气预报,能够以几周或更长的时段内实现不断稳定的天气预报,并在短 - 中程预报中显著优于其他方法。
Mar, 2020
本研究开发了空间增强损失函数(SELF),并针对神经网络(NN)预测雷暴的应用演示了它们的用途,其中SELF使用邻域和频域滤波器以空间增强常见的验证分数。研究结果表明,使用SELF的模型相较于传统模型具有更好的性能和更好的概率校准。
Mar, 2022
我们提出了一个神经网络模型,能够在不牺牲重建质量的情况下,显著压缩大规模科学数据,并在公开的科学基准数据集和高分辨率气候模型数据集上进行了测试,达到了140的压缩比和可忽略的重建误差。
Jul, 2023
以自适应误差控制的时空自适应压缩为基础,该研究提出了一种解决存储成本问题的新技术,在提高后续分析精度的同时,通过减少数据精度和增加时间步长频率,实现了更准确的分析结果。通过与现有方法进行比较,该方法在中等和大的压缩比下提高了26.4-51.3%和77.3-571.1%的热带气旋追踪的匹配情况,并且仅有5-11%的计算开销。
Jan, 2024
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
基于神经压缩学习的神经嵌入压缩技术(NEC)通过将压缩的嵌入向量传输给数据使用者而不是原始数据,以降低地球观测数据模型训练和推理的转移和存储成本。通过学习神经压缩技术,我们实现了多任务嵌入向量的生成,并在压缩率和嵌入向量效用之间寻找平衡。我们在场景分类和语义分割两个地球观测任务上评估了NEC,与对原始数据应用传统压缩相比,NEC在大幅减少数据量(75%至90%)的同时保持了相似的准确性。即使在99.7%的压缩情况下,场景分类任务的性能仅下降了5%。总体而言,NEC是一种高效的多任务地球观测建模方法。
Mar, 2024
科学家们提出了一种流水线压缩方法,利用神经网络和保证自编码器进行数据压缩,以实现高压缩比同时达到模拟或数据收集的目标,并且实验证明该方法优于文献中的可比方法。
May, 2024
引入高效的神经编解码器VAEformer用于极端压缩气候数据,以显著降低数据存储成本,实现便携的基于人工智能的气象研究。该方法在气候数据压缩方面优于现有最先进的方法,并且经验证明其压缩后的数据对于准确的科学分析具有实用性。通过对最流行的ERA5气候数据集(226 TB)进行压缩,得到了新的数据集CRA5(0.7 TB),压缩比超过300,同时保留了其用于准确科学分析的效用。
May, 2024