Meteonet
PulseAugur coverage of Meteonet — every cluster mentioning Meteonet across labs, papers, and developer communities, ranked by signal.
-
新型扩散模型通过雷达空间集成简化天气预报
研究人员开发了 Just Weather Scoring (JWS),这是一种用于降水临近预报的新型扩散模型,通过将预报直接集成到雷达空间来简化该过程。这种端到端的方法无需单独的压缩或确定性预报组件,从而显著降低了训练和推理成本。JWS 利用掩码异步扩散和评分规则目标,在 SEVIR 和 MeteoNet 等基准测试中实现了最先进的概率预报性能,即使参数更少,推理速度也大大加快。
-
PrecipJEPA 模型通过未来状态预测增强降水预报
研究人员开发了 PrecipJEPA,一个用于长期降水临近预报的新系统,该系统改进了雷达回波演变的预测。该系统整合了一条结构化预测路径和一条辅助路径,该辅助路径利用观测到的雷达历史来丰富编码器。PrecipJEPA 使用了任务驱动的未来状态预测器和并行运动源渲染器,以及用于辅助训练的历史掩码 JEPA。在 SEVIR 和 MeteoNet 数据集上的实验表明,与现有基线相比,关键成功指数 (CSI) 有显著提高。
-
AI模型推动高分辨率降水临近预报发展
两篇新研究论文提出了用于高分辨率降水临近预报的先进深度学习架构。第一篇GenONet利用生成对抗网络(GAN)框架结合深度算子网络(DeepONet)来改进长达三小时的远程预报,侧重于清晰且物理上一致的结果。第二篇exPreCast-ENS采用基于扩散的精细化方法来增强公里级概率临近预报,纠正系统误差并提供具有集合成员的更精细空间细节。这两种方法都旨在克服当前模型在预测快速风暴演变和极端天气事件方面的局限性。
-
AI模型通过新框架应对降水临近预报 · 已追踪2个来源
两篇新研究论文探讨了用于降水临近预报的先进AI技术。其中一篇论文介绍了HARECast,一个旨在稳定AI模型中注意力响应的框架,通过减少跨样本波动来提高预报的可靠性。另一篇论文提出了SaTformer,一个适用于降水临近预报的时空Transformer,它通过将问题视为具有频率加权损失的分类任务,在NeurIPS Weather4Cast 2025“累积降雨量”挑战赛中获得第一名。
-
AI模型融合雷达数据与天气预报,改进降水临近预报
研究人员开发了改进降水临近预报的新方法,这对灾害减缓和航空安全至关重要。一种方法PW-FouCast在频域中融合雷达观测和天气基础模型预测,以扩展预报范围。另一项研究使用物理信息深度学习评估了基于雷达的降水临近预报的体积运动场的效用,发现对于垂直相干系统,其改进有限,不如二维方法。