- 球面扩散下全球气候模型的概率仿真
数据驱动的深度学习模型正在改变全球的天气预报,但能否成功应用于气候建模仍存在挑战。本文提出了首个能够生成准确且物理一致的全球气候集合模拟的条件生成模型。我们的模型每隔 6 小时进行一次时间步骤,并在 10 年的模拟中保持稳定。我们的方法超越 - 探索适用于大气 / 海洋预测的混合机器学习 / 基于物理模型的潜力
通过将机器学习与传统物理模型相结合的混合建模方法,本研究探索了超出中期的天气预测潜力。基于 SPEEDY 模型,该混合模型在预测实验中使用了机器学习变量和简化参数化大气环流模型,并在预测 El Niño 循环和降水的赤道变异方面表现出与高分 - ORBIT: 橡树岭基础地球系统可预测模型
ORBIT 是一种先进的视觉转换模型,具有 1130 亿个参数,通过创新的张量数据正交并行技术实现扩展。在 Frontier 超级计算机上进行的性能扩展测试表明,ORBIT 实现了 230 到 707 PFLOPS 的性能,并且在 24,5 - 基于克里金法的伪标签生成增强地面 PM2.5 预测
通过引入一种称为普通克里金法的空间插值技术生成的伪标签,将未标记的卫星图像与稀疏的地面测量数据融合,从而充分利用可用的卫星数据资源来增强卷积神经网络 - 随机森林模型的性能,提高空间相关性并降低预测误差。
- DiffDA:一种用于天气尺度数据同化的扩散模型
通过精确的数据同化生成初始条件对可靠的天气预报和气候建模至关重要。我们提出了一种基于机器学习的数据同化方法 DiffDA,能够使用预测状态和稀疏观测同化大气变量。通过使用预先训练的 GraphCast 天气预报模型作为去噪扩散模型,我们的方 - 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。
- 神经符号双向翻译 —— 为气候临界点研究提供深度学习可解释性
该研究提出了一种神经符号化方法 NS-QAPT,用于解决气候模拟中深度学习模型的可解释性和可解释性问题,并展示了初步的有研究价值的结果。
- AAAI应用人工智能协助科学家发现气候翻转点
提出了一种混合人工智能气候建模方法,使用深度神经网络和数学方法相结合的方法进行气候目标仿真,通过神经符号语言实现可解释性。该方法能够在发现气候临界点方面提高精度,具有潜在的加速计算机不可行的快速气候临界点相关研究的能力。
- 使用深度神经操作符对气候模型进行学习偏差校正
该研究使用基于深度算子网络的代理模型替代了传统的偏差校正过程,通过结合卷积自动编码器 - 解码器结构来高效地学习更低维度的较高维度数据,以提高计算效率,进而将其应用于在线气候模拟中的偏差纠正模块,以提高气候模型的准确性和效率。
- 使用神经网络对亚网大气过程进行稳定、精确、物理一致参数化,并在降低精度的情况下具有良好性能
通过从高分辨率大气模拟中粗粒化模型方程和输出的方式学习神经网络参数化,实现替换传统的物理模型的亚网参数化方法,最终实现稳定的气候模拟并提高计算效率。
- 神经网络仿真物理系统时施加分析约束
本研究介绍了一种将非线性分析约束条件通过网络架构或损失函数施加在神经网络上的方法,应用于气候建模中的混合过程,可以确保精度且不影响性能,同时也减少与约束条件相关的输出错误。
- 利用机器学习参数化湿对流:对气候、气候变化和极端事件建模的潜力
本研究借助机器学习作为一个新的参数化方式,直接从高分辨率模型输出中学习新的对流参数化,然后进行了为期一年的筛查,确保新的参数化方式与原有的传统参数化方法保持一致,而且还对该新方法的效果进行了评估,结果表明,该方法能够更准确地模拟气候特征。