PulseAugur
中
实时 07:42:08
English(EN) CSU-PCAST: A Dual-Branch Transformer Framework for medium-range ensemble Precipitation Forecasting

新的Transformer框架增强了中程降水预报能力

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了CSU-PCAST，一个利用双分支Transformer架构进行中程集合降水预报的新型深度学习框架。该模型在ERA5和NASA IMERG数据上进行训练，可预测长达15天的天气状态和降水，并生成30个集合成员。与GEFS的评估显示，CSU-PCAST提高了预报技巧，降低了对轻度降水的偏差，并改善了概率验证，尽管在预测极端事件和集合校准方面仍存在挑战。 AI

影响 这项研究展示了深度学习在提高天气预报准确性和可靠性方面的潜力。

排序理由 该集群包含一篇详细介绍用于降水预报的新深度学习模型的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的Transformer框架增强了中程降水预报能力

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Tianyi Xiong, Haonan Chen, Kelly Mahoney, Jingyin Tang, Tim Smith, Janice Bytheway ·

    CSU-PCAST：用于中程集合降水预报的双分支Transformer框架

    arXiv:2510.20769v2 Announce Type: replace-cross Abstract: Accurate medium-range precipitation forecasting is essential for hydrometeorological risk management but remains challenging for both numerical weather prediction (NWP) systems and data-driven models. We present CSU-PCAST,…

相关实体

相关话题