weather forecasting
PulseAugur coverage of weather forecasting — every cluster mentioning weather forecasting across labs, papers, and developer communities, ranked by signal.
-
论文认为，地球科学中的人工智能模型需要更好的物理可靠性评估
一篇新论文提出了一个用于地球科学中人工智能模型战略治理的框架，强调目前的评估方法主要侧重于基准技能指标而非物理可靠性。作者认为，这种区别至关重要，尤其是在气候变化下的非稳态条件下。他们确定了物理评估的五个关键领域——训练数据、微调、行为测试、机制可解释性和输出验证——并建议创建开放的、为人工智能准备的评估数据集、一个用于基于物理的评估的共享报告标准以及一个专门针对模型安全性的研究项目。
-
人工智能在天气和气候预测方面的进展显示出希望
近期研究探讨了人工智能在气候和天气预测中的应用。一项研究详细介绍了深度学习模型如何推动天气预报的进步，以及它们在气候领域的潜在扩展，强调了人工智能系统需要能够可信地响应温室气体等外部强迫因素。另一篇论文介绍了一个基准测试 SciExam for ENSO，其中人工智能代理为厄尔尼诺-南方涛动构建气候模型，一些代理生成的模型优于现有模型。一项相关的研究强调，人工智能可以通过调整初始条件和选择合适的人工智能模型来改进极端天气事件的概率预测。
-
Google DeepMind 发布更精准的AI天气模型 · 追踪5个来源
Google 借助一款利用实时卫星数据以提高分辨率的新模型，增强了其AI天气预报能力。据报道，这款由Google DeepMind 开发的先进模型比之前的版本和欧洲中期天气预报中心等现有系统更准确。更新后的技术现已支持Google搜索的天气信息，并有望提供更精准的预报。
-
人工智能通过提高准确性彻底改变天气预报
人工智能正在通过实现更准确、更及时的预测来彻底改变天气预报。先进的人工智能模型可以处理海量的气象数据，识别出传统方法可能忽略的复杂模式。这有助于改善对恶劣天气事件的早期预警和更精确的气候建模。
-
AI模型在天气预报准确性方面挑战传统方法
一项比较研究评估了AI模型在天气预报方面相对于传统气象方法的准确性。研究旨在确定哪种方法能产生更精确的预测。结果表明，在某些预报场景下，AI模型表现出具有竞争力或更优越的性能。
-
新框架为安全关键型AI系统提供校准检查
研究人员开发了一个新的校准检查框架，旨在验证安全关键型应用中概率预测的分布特性。与产生连续分数的传统方法相比，该框架产生单一的接受/拒绝决策，简化了验证过程。该系统包括仅拒绝过度自信预测和容忍轻微偏差的修改，使其更能适应天气预报和机器人姿态估计等领域的实际运行使用。