El Niño southern oscillation
PulseAugur coverage of El Niño southern oscillation — every cluster mentioning El Niño southern oscillation across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
新型自适应模型增强混沌时间序列预测能力
研究人员开发了一种新的自适应非线性向量自回归（NVAR）模型，该模型能够改进对噪声和混沌时间序列数据的预测。该模型将线性输入与可训练多层感知器（MLP）生成的特征相结合，使其能够学习数据驱动的非线性。与传统的NVAR和水库计算方法不同，这种自适应方法通过基于梯度的优化进行联合训练，提高了可扩展性和预测精度，尤其是在噪声条件下。实验表明，该模型在Lorenz-63模型和厄尔尼诺-南方涛动等混沌系统上优于标准的NVAR和回声状态网络。
-
Neptune AI 模型提供 60 天海洋预报，优于传统方法
研究人员开发了 Neptune，这是一种新颖的 AI 模型，专为次季节到季节 (S2S) 海洋预测而设计。这个数据驱动的框架结合了卷积神经网络 (CNN) 和球形傅里叶神经网络算子 (SFNO)，以 1° (Neptune-1) 和 0.25° (Neptune-025) 的分辨率模拟海洋动力学。Neptune 旨在提供长达 60 天的可靠预测，为水资源管理、灾害风险减少和能源规划等应用提供比传统基于物理的海洋通用环流模型 (OGCM…
-
Enso凭借AI驱动的上市策略崭露头角，有望成为独角兽
专注于代理式上市策略的公司Enso据报道正朝着成为独角兽的目标迈进。该公司利用AI来优化其上市方法，旨在实现显著的增长和估值。
-
新的连接子空间聚类方法应对大地测量学挑战
研究人员推出了一种新颖的高维数据划分方法——连接子空间聚类（Connected Subspace Clustering），可将数据划分为物理上连贯的组。该方法在测地学等科学领域尤为有用，在这些领域，识别用于分析的连续区域至关重要。该问题被证明是NP难的，但研究人员开发了一种有效的启发式方法，该方法通过交替进行子空间拟合和迭代合并程序来确保连通性。在对海平面时间序列进行的测试中，他们的方法优于竞争对手，并分离出了厄尔尼诺-南方涛动和印度…
-
用于 E3SMv3 气候模型的新型随机模拟器显示出高保真度
研究人员为 E3SMv3 气候模型开发了一个名为 SamudrACE 的随机模拟器，它将大气模拟器 (ACE2S) 与全深度海洋模拟器 (Samudra) 耦合。该新系统在 105 年的工业化前模拟数据上进行训练，能够准确地再现 E3SMv3 的平均气候状态，并与确定性基线相比，保持内部变异性，尤其是在 ENSO 功率谱和海冰异常方面。虽然模拟器能很好地捕捉日常降水，但它低估了热带极端事件，凸显了推断到未见极端事件的持续挑战。
-
新框架为湍流系统创建了受物理约束的AI模型
研究人员开发了一个新的框架，用于创建数据驱动的湍流动力学系统的降阶模型。该框架利用神经网络来确保物理约束，特别是能量守恒，从而实现模型的稳定性。模型通过涨落耗散定理进行验证，使其能够仅根据未扰动数据预测对外部扰动的响应。该方法成功应用于理想化的地球物理湍流模型以及厄尔尼诺-南方涛动（ENSO）的复杂动力学，证明了其探测现实系统中因果机制的能力。
-
量子-经典混合模型在NISQ硬件上处理时间序列预测
研究人员开发了新的量子-经典混合框架，用于多变量时间序列预测，旨在运行在近期含噪声的中等规模量子（NISQ）硬件上。这些框架，包括量子水库预测器（QRC-F）和变分量子预测器（VQF-F），将时间序列数据转换为量子态，并利用纠缠来捕捉变量间的依赖关系。实验表明，与经典方法相比，这些模型在训练稳定性、参数效率和对量子噪声的鲁棒性方面可能有所提高，并可能应用于各种预测任务。
-
清华大学AI模型UniCM将ENSO预测提前期延长至19个月
清华大学李勇教授领导的研究团队开发了一个名为UniCM的统一AI模型，用于理解全球气候模式的耦合动力学。该模型能够同时学习海表温度等物理场如何影响ENSO、IOD和TNA等气候模式，以及这些模式又如何影响未来的气候格局。UniCM在预测能力上优于基线方法，特别是将ENSO的有效预测提前期延长至约19个月，并改进了非ENSO模式的预测。
-
厄尔尼诺回归，有望成为有记录以来最强之一
美国国家海洋和大气管理局（NOAA）已正式宣布厄尔尼诺现象回归，这是一种以引发极端天气事件而闻名的气候模式。科学家预计，此次厄尔尼诺可能是有记录以来最强的一次，达到“极强”强度的可能性为63%。这种现象预计将加剧全球变暖的影响，并导致全球降雨和温度模式发生重大变化，影响农业、国家安全和生态系统。
-
科学家发现地球上无法解释的东西向对称性
科学家们发现地球反照率（即反射阳光的能力）存在一种无法解释的“三重对称性”。这种现象与已知的南北对称性不同，它揭示了一种持续的东西向划分，其中以东经27度为界划分的两个半球反射的太阳能几乎相同。研究人员利用了NASA CERES 25年的数据来观察这种对称性，并指出它与厄尔尼诺-南方涛动有关，并且在气候预测中起着至关重要的作用，因为目前的模型未能将其考虑在内。
-
M-CaStLe 推进了多变量时空系统的因果发现
研究人员推出 M-CaStLe，这是 CaStLe 元算法的一项改进，专为发现复杂多变量时空网格数据中的因果结构而设计。该新方法将先前的单变量能力扩展到联合建模这些高维数据集中变量内部和变量之间的因果关系。M-CaStLe 通过将父节点识别约束在局部时空邻域内来实现这一点，从而增加了有效样本量并使发现更易于处理。该算法已在各种环境中进行了评估，包括物理模拟和气候数据，在恢复因果结构和识别关键动力学方面表现出更高的准确性。