- 规模化 Transformer 神经网络用于高技巧和可靠的中期天气预报
通过 Stormer,一种基于转换器模型的简单天气预报方法,我们能够以较少的训练数据和计算量实现与现有方法相媲美的准确性,在 7 天以上的天气预报中表现出色,并展示了其有利的扩展性。
- 确定性引导扩散模型用于概率天气预报
该论文介绍了一种用于天气预报的确定性导向扩散模型(DGDM),它整合了确定性和概率方法的优势,既能提供准确预测,又能进行概率预测。通过在正向过程中训练确定性模型和概率模型,并利用确定性模型的预测结果作为概率模型的起始点,在全球和区域预测方面 - PAUNet:一种基于降水注意力的卫星亮温数据的降水预测 U-Net
这篇论文介绍了基于降水关注的 U-Net(PAUNet)的深度学习架构,用于根据卫星辐射数据预测降水,解决 Weather4cast 2023 比赛的挑战。PAUNet 是 U-Net 和 Res-Net 的一种变体,通过编码器卷积层的中心 - Weather4cast 2023 中定量降水预报的高效基准
精确的降水预测对各行各业的决策是不可或缺的,然而目前模型的计算需求引起了环境问题。本文针对精确的降水预测的关键需求,同时考虑了计算资源的环境影响,并提出了一种用于未来天气预测的基准架构 —— 简约 U-Net 架构。
- 富西 - 极端:基于扩散模型改进极端降雨和风力预报
机器学习在天气预报领域取得了显著进展,其中 FuXi 模型及其改进版 FuXi-Extreme 在预测极端天气事件方面表现出色,但面临着预报提前时间增加时预测结果变得平滑从而低估极端天气事件强度的普遍挑战。
- 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 - 短期天气预测中元启发式算法的超参数选择的比较评价
通过比较分析深度学习技术与启发式优化算法结合在天气预报中的性能,并评估不同模型架构在各指标下的表现,本文揭示了启发式优化算法在提高天气预报准确性方面的潜力。该研究还强调了利用高级优化技术选择适合特定天气预报任务的最佳启发式优化算法的重要性。
- 极端天气事件中的深度学习技术综述
深度学习在极端天气事件预测和理解领域有着潜在的应用,本文对其在雷暴、闪电、降水、干旱、热浪、寒潮和热带气旋等天气预报的各个方面的运用进行了综述,强调了深度学习捕捉复杂模式和非线性关系的潜力,同时讨论了当前方法的局限性和未来的进展方向,该综述 - 盘古气象预报模型与气象运营数据之间的兼容性
最近,基于机器学习的多个数据驱动模型在天气预报方面取得了重要突破,与传统的数值天气预报系统相比,这些模型在准确性方面更具竞争力。该论文评估了开源且非商业使用的 Pangu-Weather 模型与多种常用数值天气预报操作分析的兼容性,并通过实 - FuXi:一种用于 15 天全球天气预报的级联机器学习预测系统
使用机器学习技术开发的 FuXi 天气预报系统,在全球 15 天天气预报方面表现与 ECMWF EM 相当,是第一个取得这一成就的 ML-based 天气预报系统。
- ICML扩展球形卷积网络
这篇研究论文介绍了如何通过提出新的模型组件、实现核心操作以及应用特定输入表示等关键改进来扩展球面 CNN,使其可用于更大规模的问题并在 QM9 分子基准测试的多个目标上达到最新水平,在多个天气预测任务中实现竞争性表现。
- 带有掩码自编码器的预训练天气模型用于多变量天气预报
通过预训练技术,我们提出了一种基于自编码器的气象模型 W-MAE 用于多变量天气预报,在长时间范围内建模了气象变量的空间相关性,在时间尺度上,我们利用预训练的 W-MAE 对气象变量进行未来状态的预测,与 FourCastNet 模型进行比 - FourCastNet:一种全球数据驱动的高分辨率天气模型,使用自适应傅里叶神经算子
FourCastNet 是一个全球数据驱动的天气预报模型,利用神经网络技术在短时间内生成高分辨率、快速时间尺度的变量预测,包括风速、天气等,速度快,且适用于扩大概率预测的大范围应用。
- HiSTGNN:用于天气预报的分层时空图神经网络
本文提出了一种层次化的时空图神经网络模型 (HiSTGNN),用于模拟多个站点中气象变量之间的跨区域时空相关性,在三个真实气象数据集上表现出明显优异性能,特别是与最先进的天气预报方法相比,其误差降低了 4.2% 到 11.6%。
- 大范围神经网络精细预测十二小时降水
本文介绍了一种基于神经网络的天气预测模型,可以在大范围内预测未来十二小时的降水,并在大陆美国地区比基于物理的 HRRR 及 HREF 模型表现更好,进而证明基于数据驱动的预测模型具有推动天气预测技术进步的潜力。
- ICML带有乐观性和延迟的在线学习
本研究开发了一种乐观的在线学习算法,不需要参数调整,在延迟反馈下具有最佳的后悔保证,支持实时气象预测,同时通过引入乐观提示来减少延迟造成的代价,并应用于气候子季节预测任务中,相对于现有模型具有低后悔。
- MetNet:降水预测的神经气象模型
利用深度神经网络,MetNet 能在高达 1 km² 的空间分辨率下、每 2 分钟一个时间间隔内预测未来 8 小时的降水情况。它使用轴向自注意力来聚合来自一个对应于 1 百万平方千米的大型输入块的全局上下文。研究表明,在大陆尺度上,MetN - 利用卷积神经网络在立方球面上改善基于数据的全球天气预报
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。
- WeatherBench:面向数据驱动天气预测的基准数据集
本研究提出一个基于 ERA5 档案的天气预报基准数据集,为了方便机器学习模型的使用进行了处理,并提出了简单明了的评估指标,旨在加速数据驱动的天气预报研究。
- 气象预报中用于温度预测的时空堆叠 LSTM
本文介绍了使用长短时记忆神经网络(LSTM)预测天气的方法。作者提出了一个 2 层的时空堆叠 LSTM 模型,其中第一层是独立的 LSTM 模型,第二层的输入是第一层 LSTM 模型的隐藏状态的组合。实验表明,通过利用空间信息,时空堆叠 L