IFS ENS
PulseAugur coverage of IFS ENS — every cluster mentioning IFS ENS across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
研究发现：机器学习天气模型未能准确表示动能传递
一项发表在arXiv上的新研究分析了四种概率机器学习天气预测模型：NeuralGCM-ENS、FourCastNet 3、AIFS-ENS和GenCast。该研究将它们的动能（KE）谱和传递机制与基于物理的IFS ENS模型进行了比较。虽然NeuralGCM-ENS在重现KE传递方面显示出潜力，但其他机器学习模型在准确的向上转移方面遇到困难，AIFS-ENS和GenCast由于不相关的随机扰动而在高波数下积累KE。所有模型都表现出向上…
-
新方法无需重新训练即可提取天气模型不确定性
研究人员开发了一种名为随机扰动权重（SPW）的新方法，可以在无需重新训练的情况下从确定性机器学习天气模型中提取不确定性估计。该技术涉及在推理时扰动网络的权重张量，从而提供了一种低成本生成集成的方法。虽然 SPW 显示出潜力，但其有效性因模型架构而异，并且需要进一步调整以解决诸如整体场偏移不一致等问题。
-
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。
-
AI天气预报员通过新模型实现效率提升
两篇新的研究论文提出了更高效的AI天气预报模型。AdaWeather自适应地结合了多个概率预报，实现了与最佳静态专家混合模型相比的对数遗憾。U-Cast利用标准的U-Net架构和简化的训练方法，性能与复杂模型相当或超越，同时显著降低了计算成本和推理时间。
-
人工智能天气模型在极端事件预测中展现出不确定性量化方面的潜力
一项发表在arXiv上的新研究，通过量化不确定性来调查人工智能天气模型在预测极端事件方面的有效性。研究人员发现，尽管FuXi、GraphCast和SFNO等模型展现出具有竞争力的技能，但它们表示不确定性和捕捉极端事件的能力有限。该研究探索了各种扰动策略来生成集合预报，并得出结论，虽然像高斯噪声这样的简单方法可以扩展确定性模型以进行概率预报，但原生概率模型和数值天气预报集合仍然优于它们。