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.
1 天有情绪数据
-
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。