Sep, 2024

基于区域数据驱动的天气建模与全球拉伸网格

HTML
PDF
TL;DR本研究解决了区域天气预报中精度不足的问题，提出了一种基于图神经网络的数据驱动模型，采用拉伸网格架构以在感兴趣区域提供更高解析度。研究结果表明，该模型在挪威的短期天气预测中优于现有预报系统，展现了良好的预测能力，尽管仍有低估极端天气事件的不足。
发现论文，激发创造
  • 应用图神经网络预测全球天气

    使用图神经网络的数据驱动方法预测全球天气，通过学习当前3D大气状态的六小时步长以及多步连接，可以产生数天后的精准预报，测试表现优于以前的数据驱动方法，并且与GFS和ECMWF的物理模型的全分辨率相当可比。

    Feb, 2022

  • SwinRDM:将SwinRNN与扩散模型结合，实现高分辨率、高质量的天气预测

    本文介绍了一种基于数据驱动模型SwinRDM的、合成了改进版SwinRNN和扩散模型的高分辨率天气预测方法，它在500 hPa高度位势（Z500）、850 hPa温度（T850）、2-m温度（T2M）和总降水（TP）等关键气象变量上的预测准确率超过了目前的NWP模型，可达到0.25度的空间分辨率，为将数据驱动的预测模型推向操作应用提供了重要参考。

    Jun, 2023

  • 数据驱动的天气预报模型的局限性

    在天气与气候预测领域，机器学习（ML）正对传统基于物理模型的预测模型提供有力的挑战，并取得了更高的预测准确性。本研究通过对当前ML模型中Pangu-Weather预测的准确性和物理一致性进行考察，发现相比于基于物理模型的预测，ML模型在准确性指标上的优势主要是由于其独特性而产生的。此外，ML模型在特定的预测应用中与传统数值天气预报输出具有协同作用，并且在实际应用中具有极低的计算成本，因此能够为预测信息提供一种有价值的额外来源。

    Sep, 2023

  • 基于图的神经气象预测有限区域建模

    气候变化时期，精确机器学习方法在天气预报方面的崛起为大气建模开辟了全新可能性；尽管大多数现有的神经气象预测方法都专注于全球预测，但在有限范围内建模的应用仍是关键问题，本文将基于图形的神经气象预测方法调整为有限区域设置，并提出了多尺度分层模型扩展，通过对北欧地区的局部模型进行实验证实了我们的方法。

    Sep, 2023

  • 一种实用的用于人工智能天气模型的概率基准

    天气模型的概率技能与延迟集合相比较，发现GraphCast和Pangu是领先的AI天气模型，在确定性评分方面前者优于后者，但在概率CRPS指标上两者得分相同。

    Jan, 2024

  • 推进数据驱动的天气预报: ERA5的滑动时间数据增强

    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

  • 土豚天气：端到端数据驱动的天气预报

    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

  • 图神经网络与空间信息学习的集成天气预报后处理

    通过图神经网络结构表示站点位置并利用注意力机制从相邻位置获取相关预测信息，针对欧洲的2米温度预测案例研究中，该图神经网络模型在集合后处理方面相比竞争性神经网络后处理方法得到了显著改进。

    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

  • 全球天气预报的超分辨率

    本研究针对传统天气预报模型在应对气候变化和复杂系统时面临的精度和数据要求问题，提出了一种基于深度学习的方法，通过超分辨率技术提高全球天气预测的空间分辨率，从1度精度提高至0.5度。研究发现，改进后的深度学习模型在准确性上与行业标准数值模型相当，具有更好的适应性潜力，能够有效提升天气预测的应用价值和实用性。

    Sep, 2024