numerical weather prediction
PulseAugur coverage of numerical weather prediction — every cluster mentioning numerical weather prediction across labs, papers, and developer communities, ranked by signal.
5 天有情绪数据
-
深度学习模型在光伏发电预测中对天气预报误差表现出韧性
一项新研究评估了包括PatchTST、GRU、N-HITS和LightGBM在内的各种深度学习模型在数值天气预报（NWP）数据存在误差时对这些误差的鲁棒性。该研究引入了一个物理约束框架来模拟这些误差并评估它们对光伏（PV）发电预测的影响。研究结果表明，与表格模型相比，序列模型在噪声过滤和时间鲁棒性方面表现更优，尤其是在显著的扰动水平下。SHAP和Integrated Gradients等技术揭示，模型可以将其预测依赖从损坏的未来预测转…
-
AI模型利用站点和格点数据提升极端降水预报能力
研究人员开发了一种新颖的两阶段框架，采用U-Net架构来改进极端降水预报。该方法结合了概率分类和数值重构，融合了六个主要数值天气预报（NWP）模型的预报。一项关键创新是联合监督机制，该机制整合了中国2400多个气象站的观测数据，同时精炼了空间结构和峰值强度。评估显示，与单个NWP模型和现有产品相比，在强降雨事件方面有了显著改进，将预报从几乎没有实用价值转变为具有业务价值。
-
新AI框架提升区域天气降尺度效率
研究人员开发了一种新颖的区域天气降尺度框架，该框架利用了预训练的全球天气基础模型。这种方法使用在模型潜在空间中运行的轻量级预测头，将全球预报适配到区域尺度，在不重新训练主干模型的情况下实现了分辨率两个数量级的提升。该方法在计算成本的一小部分下，展示了比传统数值天气预报（NWP）更高的准确性，并显示出比标准基于图像的超分辨率技术更好的降尺度能力。
-
机器学习增强数据同化中的不确定性量化
一篇新的研究论文探讨了共形预测（CP）这一机器学习技术在数据同化中，特别是在数值天气预报中的不确定性量化应用。该研究使用了一个理想化的浅水模型，将三种CP变体与传统的基于集合的方法进行了比较评估。研究人员调查了CP得出的不确定性估计如何整合到数据同化周期中，并强调了CP在补充现有不确定性量化方法方面的优势和局限性。
-
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。
-
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。
-
神经场改进天气预报数据同化
研究人员开发了一种新颖的基于神经场的方法用于四维变分数据同化（4DVAR），这是数值天气预报中一个关键但计算量巨大的过程。这种新方法将时空状态表示为一个由神经网络参数化的连续函数，该函数充当隐式正则化器，以稳定状态估计并减少振荡。该框架允许并行时间优化，并直接纳入物理约束，在基准测试中显示出比传统4DVAR更高的准确性和显著的速度提升，且无需地面真实训练数据。
-
Extreme Weather Bench：新AI框架助力高影响天气预报
研究人员推出了Extreme Weather Bench (EWB)，这是一个新推出的开源基准套件，旨在评估人工智能（AI）和数值天气预报（NWP）模型。EWB提供了一套标准化的案例研究、观测数据和基于影响的指标，以促进模型验证，特别是针对高影响天气事件。这个社区驱动的框架旨在通过对现实世界现象进行严格验证，来提高天气模型的可靠性和可比性。
-
PINN-Cast transformer使用神经ODE和物理损失进行天气预报
研究人员开发了PINN-Cast，一种用于短期天气预报的新型连续深度Transformer模型。该模型在其编码器块中集成了神经常微分方程（Neural ODEs），以更好地捕捉平滑的潜在动态，超越了离散层更新。此外，PINN-Cast还包含一个物理信息训练目标，以确保预报作为软约束遵守物理原理。评估显示，与标准的离散Transformer和现有的连续时间变体相比，其性能有所提高。