ERA5-Land: A state-of-the-art global reanalysis dataset for land applications
PulseAugur coverage of ERA5-Land: A state-of-the-art global reanalysis dataset for land applications — every cluster mentioning ERA5-Land: A state-of-the-art global reanalysis dataset for land applications across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的RNN最大熵模型通过学习非线性时间序列关系来改进生态预测
研究人员开发了RNN最大熵模型，这是最大熵框架的一个新颖扩展，它集成了门控循环单元（GRU）神经网络来捕捉生态数据中的非线性、时间关系。这种新方法解决了标准最大熵模型的局限性，该模型通过将时间序列协变量展平成独立特征来处理它们。RNN最大熵模型在学习数据中的非线性的同时保留了最大熵的核心统计原理，并通过使用环境时间序列来绘制沙漠蝗虫栖息地的能力展示了性能的提高。
-
New neural field offers flexible regional temperature forecasting
研究人员开发了一种名为连续时空温度预测器 (CSTF) 的新型神经场，以改进区域近地表温度预测。与生成固定输出网格的传统模型不同，CSTF 将预测视为连续时空温度场的查询条件评估。这使得预测提前期和输出分辨率更加灵活，从而能够提供更具适应性的天气服务和风险评估。在华南基准数据集上的实验表明，CSTF 实现了卓越的确定性技能，包括偏差的显著减少。
-
新的“imposter”自监督学习方法可学习科学数据中的物理一致性
研究人员开发了一种新的自监督学习（SSL）目标，称为“imposter”，旨在提高对科学数据中物理一致性的理解。该方法训练编码器识别实体数据内的特征交换，迫使模型学习跨特征的物理依赖关系。在ERA5-Land再分析数据上进行的评估，使用了21个环境变量和七个下游任务，表明预训练任务的有效性因下游应用而异，“imposter”与其他SSL目标结合时能提供互补信息。研究结果表明，纳入物理一致性可以成为科学基础模型的宝贵自监督来源。
-
AI模型AIFL提高了全球流量预测的准确性
研究人员开发了AIFL，一种用于全球逐日流量预测的新型LSTM模型。该模型采用两阶段迁移学习方法，首先在ERA5-Land再分析数据上进行预训练，然后在业务集成预报系统（IFS）数据上进行微调。这种方法有效地弥合了历史再分析和业务预报产品之间的性能差距。在独立测试集上，AIFL实现了0.66的中位数修正Kling-Gupta效率（KGE'）和0.53的中位数Nash-Sutcliffe效率（NSE），显示出与现有最先进的全球系统相当的准确性。
-
卷积神经过程在天气降尺度方面展现出潜力
研究人员探索了使用卷积条件神经过程（ConvCNPs）对天气数据进行降尺度，特别是瑞士的每日最高温度。ConvCNP模型改编自现有架构，并结合了高分辨率地形数据进行增强，其平均绝对误差为1.31摄氏度，相对于双线性插值的技能得分为0.524。消融研究强调了高程多层感知机（MLP）组件的关键作用，而季节性特征和地形位置指数提供了次要改进。研究还指出，虽然模型在输入稀疏的情况下能够良好运行，但它难以处理离网站点观测数据，并且由于其高斯似然…
-
AI模型识别沙特阿拉伯最佳干旱地区再绿化地点
研究人员开发了一个新的机器学习框架，用于识别干旱地区恢复项目的最佳地点。该方法整合了气候数据和遥感技术，以预测无需大量灌溉即可使本地植被茁壮成长的区域。通过分析气候适宜性和当前植被覆盖情况，该系统能够精确定位有希望的地点，从而减少昂贵的实地调查的需要，并支持有韧性的生态系统恢复。