WeatherBench: A Benchmark Data Set for Data‐Driven Weather Forecasting
PulseAugur coverage of WeatherBench: A Benchmark Data Set for Data‐Driven Weather Forecasting — every cluster mentioning WeatherBench: A Benchmark Data Set for Data‐Driven Weather Forecasting across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
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。
-
新的物理约束神经网络提高了天气预报的准确性
研究人员开发了增强的物理约束神经网络（PCNNs），以提高短期天气预报的准确性和稳定性。该研究引入了一个升级的数值求解器，该求解器增加了积分时间步长并减小了均方误差，一个统一的自回归混合块以防止过拟合，并将物理核心与先进的神经网络主干相结合。对南太平洋天气数据的评估表明，与纯神经网络方法相比，这些混合模型显著降低了均方根误差，并更好地保持了物理一致性。
-
新的Dyna-Pruner框架优化AI模型用于时空预测
研究人员开发了Dyna-Pruner，一个旨在优化时空预测模型效率和可扩展性的新框架。该系统根据输入特征自适应地剪枝数据和模型结构，创建特定于样本的稀疏子网络。Dyna-Pruner已在计算负载方面实现了显著降低，在NVIDIA Jetson AGX Orin等硬件上实现了高达70%的FLOPs减少和2.5倍的速度提升，同时对准确性的影响极小。
-
X-Restormer++ 以增强的图像恢复能力赢得 CVPR 2026 挑战赛
研究人员开发了 X-Restormer++，一个新颖的框架，在 UG2+ CVPR 2026 全天候图像恢复挑战赛中荣获第一名。该方法基于 X-Restormer 基线，通过空间自适应输入缩放机制和新的梯度引导边缘感知损失函数进行了增强。通过将训练数据集扩展到额外的 24,500 对图像，取得了显著的改进，从而在各种天气条件下的图像恢复方面取得了卓越的性能。
-
发布 HN：Silurian (YC S24) – 模拟地球
Silurian 是一家由前微软研究员创立的初创公司，已推出生成式预测 Transformer (GFT)，这是一个拥有 15 亿参数的模型，旨在提前 14 天模拟地球天气。该深度学习模型纯粹从数据中学习，无需明确的物理学知识，在预测飓风路径方面表现出色，优于传统预测方法。该公司旨在将其模拟扩展到其他受天气影响的基础设施，如电网和农业。