ERA5
PulseAugur coverage of ERA5 — every cluster mentioning ERA5 across labs, papers, and developer communities, ranked by signal.
9 天有情绪数据
-
GlacierCastAI 利用卫星图像和气候数据预测冰川退缩
研究人员开发了 GlacierCastAI，这是一种新颖的深度学习模型，旨在利用多模态卫星图像和气候数据的组合来预测冰川退缩。该模型整合了来自 Landsat 计划和 ERA5 气候变量的数据，以及 Copernicus DEM 地形特征，以预测冰川边界。一项消融研究表明，纳入 ERA5 气候信号可以提高预测精度，表明大气强迫在预测冰川变化中的重要性。GlacierCastAI 的表现显著优于传统基线模型，并在理解冰川退缩的驱动因素方…
-
新的Sparse-Reslim方法提高了天气预报的准确性和效率
研究人员开发了一种名为Sparse-Reslim的新方法，以提高基于Vision Transformer (ViT)的天气预报模型的效率。这个无参数模块仅选择性地处理昂贵的Transformer块的25%的空间Token，并将它们视为残差更新。这种方法保持了所有网格单元的完整性，并避免引入新的参数或融合层。Sparse-Reslim在各种分辨率和模型系列中都显示出更高的预测准确性，同时显著减少了训练时间和内存使用。
-
新方法使用环境信号探测地理空间自监督学习表示
研究人员开发了一种新方法，通过环境信号探测来评估地理空间数据中的自监督学习（SSL）表示。该方法使用共置的ERA5再分析变量（如温度和降水）来评估DINO、MAE和MoCo等SSL模型在多大程度上编码了与环境条件相关的信息。研究发现，表示层面的指标可以区分下游任务性能相似的模型，并且环境信号的可访问性与环境依赖性任务的性能相关。
-
人工智能将气候预测降尺度至25公里分辨率
研究人员开发了一个深度学习框架，将轻量级模拟器的气候预测降尺度到更高的分辨率。这种新方法利用基于扩散的生成模型，将LUCIE气候模拟器约300公里的原生分辨率提升至约25公里。该框架在ERA5数据和LUCIE预测上进行了训练，证明了其在生成精细尺度气候统计数据时保留粗粒度动力学能力。
-
新的Transformer框架增强了中程降水预报能力
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。
-
联邦学习通过自适应压缩优化物联网降雨预测
研究人员开发了一种新颖的联邦分层学习（FSL）框架，旨在优化参与降雨预测的物联网设备的通信效率。该框架通过一个由延迟驱动的调度器独特地集成了激活压缩和同步频率调节，该调度器根据实时网络条件进行自适应调整。使用ERA5数据和Raspberry Pi部署进行的评估表明，该系统可以在不显著损害预测准确性的情况下，大幅减少上传有效载荷和同步流量，并提高运行时稳定性。
-
Otter Weather AI模型提供高效、准确的中程预报
研究人员开发了Otter Weather，这是一种新的用于中程天气预报的人工智能模型，旨在比当前最先进的方法更高效、更易于访问。该模型显著提高了技能-计算权衡，在所需的训练计算量大大减少的情况下，性能优于传统的数值天气预报（NWP）基线。Otter Weather在概率预报方面也表现出强大的性能，并显示出在其他科学领域（如求解偏微分方程）的潜在适用性。
-
新的CanadaFireSat数据集赋能高分辨率野火预测
研究人员开发了一个名为CanadaFireSat的新基准数据集，以改进高分辨率野火预测。该数据集利用多模态数据，包括来自Sentinel-2的高分辨率卫星图像、MODIS产品和ERA5环境数据，以预测加拿大境内100米分辨率的野火发生情况。深度学习架构的实验表明，结合来自多种模态的时间输入，其性能显著优于单一模态输入，在2023年野火季达到了60.3%的峰值F1分数。
-
图神经网络重建历史储水量数据
研究人员开发了一种使用时空图神经网络（MTGNN）重建历史陆地储水量（TWS）数据的新方法。该深度学习模型从气象强迫数据中学习，生成可追溯至1940年的月度TWS异常值，从而扩展了卫星记录。该方法表现强劲，在网格单元和流域尺度上均实现了高相关性，并能重现厄尔尼诺和拉尼娜等重大气候事件。与现有重建技术相比，基于图的模型具有竞争力，同时需要更少的预测因子，并揭示了所有测试模型在干旱地区普遍存在的弱点。
-
SIMBA框架通过双向辐射建模增强天气预报 · 已追踪2个来源
研究人员开发了SIMBA，一个用于模拟FY-4A GIIRS仪器高光谱红外辐射的新型双向框架。该框架独特地整合了大气廓线检索和辐射重构，并采用周期一致性约束来增强它们的耦合。通过使用双向Mamba状态空间模块，SIMBA有效地捕捉了数值天气预报应用的关键长程依赖性。使用FY-4A GIIRS观测和ERA5再分析数据进行的实验表明，SIMBA在检索和重构任务上均优于现有的深度学习基线。
-
深度神经网络在科学数据压缩方面表现不一
一篇新研究论文探讨了使用深度神经网络压缩大型科学数据集的应用，特别是在气候领域。该研究将VAEformer、GraphCast和Aurora等模型整合到传统的压缩流程中。尽管这些机器学习预测器在重建质量（高达91%）和某些变量的压缩率（高达9.6倍）方面显示出显著的改进，但它们并未提高整体数据集级别的压缩率。研究结果表明，仅有预测精度是不够的，残差的空间结构对于高效的熵编码至关重要。
-
量子信息机器学习在混沌预测中展现实际优势
研究人员开发了一个新的理论框架，用于在量子信息机器学习中实现实际量子优势，特别是在预测混沌系统方面。该方法利用高阶量子统计先验（Q-Priors）来紧凑地存储复杂的相关性，并能够比经典方法使用更少的副本更有效地提取信息。该方法已在模拟和超导处理器上得到验证，通过提高异常相关技能和减少长周期预测崩溃，在天气预报等应用中显示出潜力。
-
新的RGFiLM方法提高了稀有上下文中的异常检测能力
研究人员开发了一种名为稀有度门控特征级线性调制（RGFiLM）的新方法，以改善数据分布不平衡的上下文中的异常检测。该技术使用稀有度分数来控制上下文如何影响模型决策，使其在罕见情况下更具决定性，在频繁情况下更保守。当应用于使用AIS和ERA5数据的海上异常检测时，RGFiLM与现有方法相比，在F1分数和误报率之间展示了更优的权衡。
-
AI模型ArchesWeather和ArchesWeatherGen在气候模拟中表现出稳定性
研究人员评估了ArchesWeather和ArchesWeatherGen这两个最初为天气预报设计的机器学习模型，在长期气候模拟中的能力。当使用月度海面温度和海冰覆盖数据进行调整，作为强制大气模型运行时，这两个模型都展示了稳定的气候模拟和年度周期。它们成功捕捉了气候变量的漂移，重现了ERA5气候学，并准确地表示了大规模环流和年际变率。
-
AI模型生成逼真的全球降水场
研究人员开发了一种新颖的机器学习方法，使用带有UNet架构的条件扩散模型来生成逼真的全球降水场。该方法旨在通过直接从大气环流数据中学习，绕过计算成本高昂的传统参数化方案，来改进地球系统模型（ESMs）中降水的表示。该模型可以高效地生成集合预测，捕捉不确定性，并生成与现有ESMs相比偏差更小的概率性预测和气候情景。
-
新的基准RealBench改进了AI天气预报评估
研究人员推出了RealBench，这是一个旨在更准确地评估真实世界运行条件下AI天气预报模型的新基准。与依赖再分析数据的先前基准不同，RealBench使用了低延迟的运行分析和现场观测数据，并包含来自2025年的测试集以防止数据泄露。它还包括了针对热浪和热带气旋等高影响极端事件的特定指标，揭示了与传统基准相比显著的性能差距。
-
新型求解器融合人工智能与物理学实现场重建
研究人员开发了一种新颖的物理信息生成求解器，旨在从有限数据中重建复杂的物理场。该方法将数据驱动学习与基本守恒定律相结合，确保生成的态符合物理原理。该方法使用鞅正则化分数匹配进行稳定的先验学习，并使用物理信息隐式分数采样来指导生成过程，在声学和气象场重建等应用中取得了成功。
-
多尺度小波变换器增强动力系统算子学习
研究人员开发了多尺度小波变换器（MSWTs），以提高动力系统数据驱动模型的准确性，特别是在天气预报等领域。这些被称为神经算子的模型，常常受限于频谱偏差，导致捕获小尺度结构至关重要的高频分量衰减。MSWTs通过在分块小波域中学习系统动力学来解决这个问题，明确分离不同尺度的频率，并使用基于小波的注意力来保持高频特征。实验表明，在混沌系统和真实气候数据上，误差显著降低，频谱保真度得到提高。
-
人工智能模型学习热带气旋动力学并助力天气数据发现
研究人员开发了一种新的包含10个项的立方随机微分方程模型，用于模拟热带气旋的强化过程，该模型基于历史强度数据和环境特征进行训练。该模型成功捕捉了历史强化统计数据的许多方面，并表现出非平凡的动力学行为，包括鞍节点分岔。同时，一个可视化分析工作台被创建，以帮助科学家探索大型天气和气候数据集，通过基于嵌入的相似性搜索发现热带气旋等现象。
-
地球系统基础模型整合多样化数据用于气候预测
研究人员开发了地球系统基础模型 (ESFM)，这是一个开源框架，旨在整合和预测多样化的地球系统数据。ESFM 基于 Aurora 模型架构，并采用了处理异构数据的新方法，包括来自卫星和站点源的缺失值。该模型利用轴向注意力捕捉变量间的依赖关系，并通过对单个变量进行分词以方便适应新任务，在与现有基准的比较中表现出具有竞争力或更优的性能。