Global Forecast System
PulseAugur coverage of Global Forecast System — every cluster mentioning Global Forecast System across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的人工智能方法改进了小时降水预报
研究人员开发了一种名为“Attention Residual U-Net”的新方法，用于概率性定量降水预报。该神经网络在 The Weather Company 的 GRAF 模型和 NOAA 的全球预报系统提供的数值天气预报数据，以及地形和湿度信息上进行训练。该系统预测小时降水概率和分布，显示出其技能和可靠性，尤其是在地形复杂的地区。
-
机器学习模型通过新的数据合成和集成技术提高天气预报的准确性
研究人员开发了新的机器学习模型来提高天气预报的准确性。其中一个模型 Nested-EAGLE，将短期和中期预测与 0.25° 的全球分辨率以及美国本土 6 公里的精细化相结合，在近地表和低层量化预测方面优于现有的 NOAA 系统。另一种方法 BaguanHR，通过使用逐变量超分辨率来合成高分辨率训练数据，解决了数据限制问题，展示了显著的扩展效益，并在性能上超越了当前基于机器学习的方法和 IFS-HRES。
-
AI模型ORCA将海洋风预报改进45%
研究人员开发了ORCA，一个基于Transformer的深度学习模型，用于修正数值天气预报中海洋风的误差。通过同化实测观测数据，ORCA能够调整全球预报系统（GFS）的输出，在提前48小时内显著减少误差。该模型在沿海地区和航运航线上尤其有效，因为这些区域的观测数据更为丰富，为提高预报准确性提供了一个实用的后处理解决方案。
-
新型AI模型通过物理指导增强3D水文气象预报
研究人员开发了PredHydro-Net，一个旨在改进3D水文气象预报的新型深度学习框架。该模型采用物理指导，通过采用双解码架构和谱监督来解决标准深度学习在预测极端天气事件方面的局限性。与现有的深度学习模型和业务系统相比，PredHydro-Net在检测极端事件和准确表示空间纹理方面表现出卓越的性能，同时还显示出与卫星数据的高度一致性。