Aug, 2024

聚类-分离-扰动（CSP）：一种模型无关的时空土地表面预测模型可解释性管道

HTML
PDF
TL;DR本研究针对卫星图像与气象数据整合的区域气候变化预测模型中，难以理解气象变量与土地表面演变的复杂关系这一问题，提出了一种新的可解释性管道。该管道结合了扰动基础和全局边际可解释性技术，简化了对复杂时空深度模型的多样性分析。研究发现降水对土地表面的影响最为显著，其次是温度和气压，并揭示了气象变量与植被指数之间的非线性相关性。
发现论文，激发创造
  • EarthNet2021: 一个大规模数据集和挑战问题，用于作为引导视频预测任务的地表预测

    通过预测与未来天气相关的卫星图像，借助大规模数据集和深度神经网络模型进行天气预测，从而有助于农作物产量预测、森林健康评估或生物多样性监测等下游应用。

    Apr, 2021

  • 气象和气候建模机器学习基准测试

    ClimateLearn是第一个大规模的开源项目，旨在将气象和气候模型与现代机器学习系统进行连接，它能够大大简化机器学习模型的训练和评估，并包括综合流程，实现深度学习模型和定量和定性评估。

    Jul, 2023

  • 通过AI驱动的知识发现革新地形降水理解

    利用人工智能驱动的知识发现技术，揭示地形特征与降水模式之间错综复杂关系的明确方程式，显示出与传统经验模型相比显著的准确性，并揭示了一个被称为'1995转折点'的现象，指示在约1995年发生了地形-降水关系的显著变化，并具有从低分辨率未来气候数据中实现精细尺度下放降水预测的实际应用。

    Sep, 2023

  • 深度学习仿真器对区域气候模型预测的可迁移性和可解释性：未来应用的视角

    该研究论文讨论了基于深度学习模型的区域气候模拟器的可迁移性问题，发现该方法能够模拟区域气候模型的某些气候特征，但在不同全球气候模型间存在一定偏差，限制了其在建立区域气候预测集合方面的适用性。

    Nov, 2023

  • 天气和气候数据理解的基础模型：一项综合调查

    人工智能在地球和大气科学领域日益采用数据驱动模型，通过深度学习技术对地球系统的混沌和非线性方面进行解码，以及通过理解天气和气候数据来应对气候挑战。这篇综述全面介绍了针对天气和气候数据专门设计的最先进的人工智能方法，特别关注时间序列和文本数据，同时深入研究了该领域的挑战，并提出了未来研究的详细意见。

    Dec, 2023

  • 使用预训练的气象变换器进行全球植被建模

    利用Transformer-based深度学习模型，我们在考虑气候变化的短期动态的同时，通过转移与大气状态有关的全球学习表示，仅依靠气象数据全球性地估计了0.25°分辨率的植被活动，并且证明了与从头学习的NDVI模型相比，利用预训练的天气模型可以提高NDVI估计结果。

    Mar, 2024

  • 地球系统模型降水的条件扩散模型用于降尺度与偏差修正

    气候变化加剧了如大雨和洪水等极端天气事件。本文提出了一种新的机器学习框架，用于同时进行偏差校正和下尺度处理。通过在观测数据上训练生成性扩散模型，并对观测和地球系统模型数据进行映射，我们的方法能够纠正任何地球系统模型的地理要素，确保了统计质量并保留了大尺度空间模式。

    Apr, 2024

  • 利用储水池计算通过空间相关性预测远距离地区的未观测气候时间序列数据

    通过两种预测方法（储水层计算和向量自回归模型）研究了远程地点的气候要素的低成本和准确预测，发现预测精度随观测地点与目标地点之间的距离降低而下降，机器学习方法可以更有效地预测远程地点的气候要素。

    Jun, 2024

  • VegeDiff：地理空间植被预测的潜在扩散模型

    在全球气候变化和频繁极端天气事件的背景下，准确预测未来地理空间植被状态变化至关重要。为了解决这一问题，本研究提出了VegeDiff模型，通过扩散模型概率地捕捉植被变化过程中的不确定性，从而生成清晰准确的未来植物状态。该模型能够分别模拟动态气象变量和静态环境变量对植被的全局和局部影响，比现有确定性方法更精确地捕捉变量的影响，并在地理空间植被预测任务中表现出色。

    Jul, 2024

  • 神经天气预报的高效局部适应：中东和北非地区的案例研究

    该研究解决了传统数值天气预报模型计算需求高且效率低的问题，强调了对局部区域建模的重要性。论文提出了一种结合参数高效微调方法（PEFT）的新模型，并通过中东和北非地区的案例验证其在天气预报准确性及资源利用效率上的显著提升，为应对极端天气事件提供了有效工具。

    Sep, 2024