- 综合排序
- 最热优先
- 最新优先
- 来自专栏rainAI
降水临近预报_Weather4cast_RainAI代码分享
降水临近预报_Weather4cast_RainAI代码分享 主程序w4c23 def main(): parser = set_parser() options = parser.parse_args mean=1.3, max=1.6, weight=0.6472), Bucket(idx=7, mean=2.0, max=2.5, weight=0.6667), Bucket(idx=8, 因此，为了指导降水临近预报模型，我们采用中央 42 x 42 像素块并上采样到 252 x 252 像素标签。
28110编辑于 2024-07-12 降水临近预报_Weather4cast_RainAI阅读分享
降水临近预报_Weather4cast_RainAI阅读分享本文是论文阅读分享，后续会进行对应的代码分享，欢迎交流讨论。 此外，由于它们的收敛时间，它们对于临近降水预报来说并不是最合适的，因为主要关注的是预报的前几个小时。对于基于外推法的方法，它们往往会高估降水量，并且无法正确地用降雨覆盖该地区28。 在临近降水预报的数据准备过程中，不仅要考虑输入中包含的特征，而且还要考虑所提供的上下文。 调节提前时间量降水临近预报模型可设计为在单次迭代输出所有时间步长或者一个时间步长的预测。 这个实验与刚刚解释的exp8 相同，唯一的变化是上采样是通过双线性插值执行的，因此训练速度更快，评估指标的下降最小。请注意，检测到左下角有降水，但分辨率和强度不如真实情况那么高。
39110编辑于 2024-07-09- 来自专栏气象学家
结合注意力机制的UNet降水短临预报框架
天气预报以数值天气预报为主，它试图准确模拟物理特性的大气层。但数值天气预报的一个缺点是，它缺乏利用最新的气象资料进行短期预报的能力。 我们通过使用数据驱动的神经网络方法，结果表明有可能产生准确的降水现报。 为此，我们提出了SmaAt-UNet，一个基于众所周知的UNet的高效卷积神经网络架构，配备了注意力模块和深度可分离卷积。 我们利用荷兰的真实降水数据集评估了此方法，结果表明，根据精确度评估，相比于其他模型（原始的UNet框架），我们提出的模型仅使用了四分之一的参数即可达到与其他模型类似的结果。 本文对比分析了UNet、UNet-CBAM、UNet-DSC和SmaAt-UNet四种模型在降水短临预报方面的性能表现。 ? 本文主要是利用UNet和注意力机制以及深度可分离卷积在降水短临预报方面的尝试，并没有利用更多的深度学习技术去进一步改善SmaAt-UNet模型的性能。 ? 模型结果对比.
4.6K21发布于 2020-10-09 - 来自专栏气象杂货铺
科研 | GRL：基于深度学习的美国大陆降水短时预报
近期，复旦大学大气与海洋科学系陈国兴课题组发表在Geophysical Research Letters上的工作（Chen and Wang, 2022），首次将深度学习方法应用于短时降水预报方面。 该工作构建了一种基于三维卷积神经网络的短时降水预报的模型，利用三维气象场预报美国大陆的日降水空间分布。 结果表明：一、神经网络模型可以有效预报美国大陆地区的日降水分布，其对5天降水预报的均方根误差要小于当前最优秀的数值预报模型结果；二、将神经网络模型预报结果与传统模型预报结果的加权可以显著改进传统模型的结果 基于深度学习的美国大陆降水预报示意图 该工作显示了深度学习在短时天气预报方面的巨大潜力，类似的方法可以应用在其他变量或者场景方面的预报。 进一步的工作将使用类似的方法构建针对中国东部地区的短时降水预报模型。 论文信息： Chen, G.*, and W.-C.
81120编辑于 2022-09-23 - 来自专栏API 分享
基于分钟级降水预报API 的智能农业水资源管理探究
其中，智能农业水资源管理就是依托新型技术手段，实现对水资源的更加精准预报、科学调度的一种管理模式。而基于分钟级降水预报API的智能农业水资源管理，则是新型技术手段中的一种代表性形式。 智能农业水资源管理的重要性在于：提高灌溉效率：分钟级降水预报可以帮助农场主根据未来的降水情况来合理安排灌溉，避免浪费水资源。 二、分钟级降水预报API的应用在智能农业水资源管理中，基于分钟级降水预报API实现的水资源管理主要分为以下几个方面：一、对雨量的预报和监测：利用分钟级降水预报API，能够实时监测气象数据，进行准确的雨量预报和监测 这一手段能够为农业生产提供实时数据支持，减少因雨量预报不准确而导致的生产损失。二、水资源调度：基于分钟级降水预报API，能够对不同地区的降雨情况进行预判，从而根据实际需要，对水资源进行合理的调度。 三、分钟级降水预报API推荐APISpace 的 分钟级降水预报API，支持国内任一经纬度的预报数据，实时调取某地未来2小时内降水预报，可做到分钟级、公里级，可准确提醒下一场雨何时出现，何时变大，何时停止等预报信息
28461编辑于 2023-11-06 - 来自专栏自学气象人
第1篇 | arXiv-2023 | 基于生成扩散模型的降水临近预报
arXiv-2023 基于生成扩散模型的降水临近预报 1Abstract 近年来，深度学习方法对传统的精确天气预报数值方法提出了越来越大的挑战。 许多用于短期和中期天气预报的历史数据集通常是一个规则的空间网格结构(time-level-lat-lon)。 在这种情况下，由于天气预报本身的概率特性，扩散模型特别有优势: 因为我们真正感兴趣的模型是大气变量的概率分布，希望得到的是概率预报。 在此背景下，我们检验扩散模式在处理降水临近预报任务中的有效性。我们的工作还与现有文献中表现良好的 U-Net 模型进行了比较。 我们提出的生成集合扩散(GED)方法利用扩散模型生成一组可能的天气情景，然后通过使用后处理网络将这些情景合并成一个可能的预报。与最近的深度学习模型相比，这种方法在总体性能方面大大优于它们。
1.1K20编辑于 2023-09-05 - 来自专栏数据派THU
软件学院王建民、龙明盛团队提出极端降水临近预报大模型
近日，清华大学软件学院王建民教授、龙明盛副教授团队提出了极端降水临近预报大模型，将数据驱动与物理驱动两大科学范式紧密结合，显著提高了公里尺度下0～3小时极端降水的预报能力，在全国62位气象预报专家的过程检验中大幅领先国际上的同类方法 目前该大模型已经在国家气象中心短临预报业务平台（SWAN 3.0）部署上线，将为全国极端降水天气短临预报业务提供支撑。 基于雷达观测的降水临近预报是世界性难题之一 数值计算和深度学习是降水临近预报的两类主流方法，但均存在明显的缺陷。 数值计算方法难以有效建模降水过程的时空多尺度特征，同时受到预报累积误差的制约，预报时效往往在一小时以内。 得益于上述融合设计，该模型兼具深度学习与物理建模的优势，在国际上首次将降水临近预报的时效延长至3小时，并弥补了极端降水预报的短板。
63830编辑于 2023-08-08 - 来自专栏MeteoAI
斯坦福大学使用机器学习做次季节温度降水预报
will help to advance the state of the art in subseasonal forecasting. 5.原文摘要 美国西部地区的水资源管理极大地依赖于长期的温度和降水预报以应对干旱和其他的洪涝相关极端灾害天气 为了提升长期预报的准确性，美国垦务局和美国国家海洋和大气管理局（NOAA）发起了次季节气候预测的竞赛，长达一年的实时预报竞赛，参与者各显神通，旨在有技巧地提前预报美国西部地区2~4周和4~6周的温度和降水 第二个模型仅仅使用特定变量(温度或降水)的历史测量数据，并引入多任务最邻近特征到一个加权的局地线性回归中。 每个模式各自都要显著地比CFSv2(去偏差准业务化的美国气候预报系统)要更加的准确，同时我们的集合技巧就每个目标预报量和预报水平都要全面超过Rodeo竞争对手。 此外，在2011-2018期间，我们的回归模型与去偏差CFSv2的集合方案要比单一的去偏差CFSv2就温度预报的技巧提升了40%-50%，降水的预报提升了 129-169% 。
1.3K20发布于 2019-08-19 - 来自专栏气象学家
观测与预报篇：中国登陆台风降水分布之演变
我国地处西北太平洋西岸，海岸线漫长，平均每年有7-8个热带气旋（Tropical cyclone，西北太平洋称为台风，大西洋以及东北太平洋为飓风）登陆。 而这些受灾区域受影响最大的问题是由登陆台风降水分布决定的。因此由于涉及台风降水预报问题，登陆台风降水的空间分布问题一直受到气象学家们的重点关注。 3、登陆台风降水分布预报 然而，尽管TC路径预报在过去几十年里取得了巨大的进步，但是降水预报水平却明显落后于路径预报。 Yu 等（2020）最新研究结果显示，当登陆TC降水量为250 mm以上时，24 h降水预报的ETS评分都不及0.1（甚至接近0）。6/48/72 h时效的预报水平更低。 进一步的目标检验结果显示：登陆TC降水分布形态是当前台风降水预报的主要误差来源。因此，准确预报登陆台风降水的极值分布和大小是十分重要的科学问题，但对当前的实际业务预报来说充满巨大挑战。
1.7K20发布于 2020-10-09 - 来自专栏气象学家
用机器学习方法提高中国次季节降水预报的准确性
，尝试提高中国降水次季节预报技巧。 两周至两月的次季节中国降水预报与农作物种植选择、减灾和生命安全密切相关。同时，次季节预报将填补天气预报和气候预报之间的空白。 为了提高次季节性天气预报的精度，王岑等作者利用Hwang等人在2019年提出的机器学习模型，对中国降水进行次季节预报。 图2，由王岑提供▼ 图2 预报技巧高低年份的春冬季（A、B、E、F）和夏秋季（C、D、G、H）的MultiLLR模式预测和观测降水量的标准差。 这个结果表明MultiLLR模型作为一种新的统计模型，能够提高CFSv2动力模型在中国降水次季节预报的精度。
1.6K20发布于 2021-05-20 - 来自专栏拓端tecdat
R语言气象模型集成预报技术：神经网络、回归、svm、决策树用环流因子预测降雨降水数据
环流因子数据 30年降水数据 本文介绍了四种常见的气象子预报方法：BP人工神经网络、多元回归、SVM、决策树模型，并通过实际的数据集进行预报检验。 环流因子=read.csv("环流因子.csv") 降水数据=read.csv("30年降水数据.csv") 转换降水数据 y=0 for(i in 2:ncol(降水数据)){ y=c(y,降水数据[,i]) 环流因子=环流因子[1:length(yy),] datanew=data.frame(降水数据=yy,环流因子[,-1]) 多元回归 model =lm(降水数据~. i1->h8 i2->h8 i3->h8 i4->h8 ## -0.34 65.01 -72.91 -10.22 9.67 ## b->h9 i1->h9 i2-
51600编辑于 2023-02-23 - 来自专栏拓端tecdat
R语言气象模型集成预报：神经网络、回归、svm、决策树用环流因子预测降雨降水数据
环流因子数据 30年降水数据 本文介绍了四种常见的气象子预报方法：BP人工神经网络、多元回归、SVM、决策树模型，并通过实际的数据集进行预报检验。 环流因子=read.csv("环流因子.csv") 降水数据=read.csv("30年降水数据.csv") 转换降水数据 y=0 for(i in 2:ncol(降水数据) ){ y=c(y,降水数据[,i]) 环流因子=环流因子[1:length(yy),] datanew=data.frame(降水数据=yy,环流因子[,-1]) 多元回归 model=lm(降水数据~. i1->h8 i2->h8 i3->h8 i4->h8 ## -0.34 65.01 -72.91 -10.22 9.67 ## b->h9 i1->h9 i2-
29520编辑于 2023-08-31 - 来自专栏拓端tecdat
R语言气象模型集成预报：神经网络、回归、svm、决策树用环流因子预测降雨降水数据|附代码数据
环流因子数据 30年降水数据 本文介绍了四种常见的气象子预报方法：BP人工神经网络、多元回归、SVM、决策树模型，并通过实际的数据集进行预报检验。 环流因子=read.csv("环流因子.csv") 降水数据=read.csv("30年降水数据.csv") 转换降水数据 y=0 for(i in 2:ncol(降水数据)){ =lm(降水数据~. i1->h8 i2->h8 i3->h8 i4->h8 ## -0.34 65.01 -72.91 -10.22 9.67 ## b->h9 i1->h9 i2- 本文选自《R语言气象模型集成预报技术：神经网络、回归、svm、决策树用环流因子预测降雨降水数据》。
57320编辑于 2023-07-24 - 来自专栏1996
谷歌发布神经网络MetNet模型预测天气
导语：Google 正在积极研究如何改进全球天气预报模型。 准确预测未来几分钟到几周的天气是一项基本的科学挑战。 很多气象机构目前采用的预报是基于大气的物理模型，但这些模型本身受到计算要求的限制且对物理定律的近似值非常敏感。另一种天气预报方法是使用深神经网络（DNNs）。 近日，在先前对降水量预报的研究基础上，Google 提出了MetNet ，这是一种用于降水预报的神经天气模型。这种 DNN 能够在未来 8 小时内以 1km 的分辨率预报降水量，时间间隔为 2 分钟。 MetNet 的预测时间比目前最先进的基于物理的模型NOAA提前了 7-8 小时。它可以在几秒钟内对整个美国的降水量进行预测，而 NOAA 需要花费一小时。 MetNet 神经天气模型能够在 8 小时内超过 NOAA-HRRR 系统，并且始终优于基于流量的模型。
1K20编辑于 2022-09-23 - 来自专栏气象杂货铺
大气专家解读“白银马拉松事故” 三点经验教训冀各界警惕关注
中新网北京8月11日电 (记者 孙自法) 造成21人遇难、8人受伤的甘肃“白银马拉松事故”虽然已经过去近3个月，但事故背后原因分析、经验教训总结备受学界和公众持续关注。 小时，地面锋面经过CP3，地面气温为12.6摄氏度，受到锋后的冷空气影响，CP3的温度持续下降，在比赛开始后3小时(中午12时)降至最低的3.0摄氏度，同时阵风也在11时左右达到11.2米／秒的最大值，降水发生在 同时考虑风寒效应和降水的影响，CP3的体感温度在当天中午12时达到最低零下5.1摄氏度。 天气极端性如何？ 由于CP2到CP3附近的自动气象站建站较晚，专家们提取CP3附近13个观测站的2016-2021年的5月份每小时气温、阵风、降水并构建体感温度用于本次天气事件的极端性分析，结果表明，在灾难发生时段的天气无疑是一个极端冷事件 而对于降水预报，两个模式也都有较好表现。 经验教训有哪些？
28800编辑于 2022-09-23 - 来自专栏量子位
清华&中国气象局大模型登Nature：解决世界级难题，「鬼天气」预报时效首次达3小时
目前，NowcastNet已经在国家气象中心短临预报业务平台（SWAN 3.0）部署上线，将为全国极端降水天气短临预报业务提供支撑。 那么极端降水的临近预报为什么这么难？ 近年来，受全球气候变化影响，极端降水天气频发，实现更准确、更精细和更长预警提前量的降水临近预报成为人们的关注点。 因此，在今年5月27日世界气象组织峰会上，三小时内降水临近预报就被列为了未解决的重要科学难题之一。 △基于雷达观测的降水临近预报是世界性难题之一 此前也有预测极端降水天气的方法。 数值计算和深度学习就是降水临近预报的两类主流方法，但均存在明显的缺陷： 数值计算方法难以有效建模降水过程的时空多尺度特征，同时受到预报累积误差的制约，预报时效往往在一小时以内。 得益于上述融合设计，该模型兼具深度学习与物理建模的优势，在国际上首次将降水临近预报的时效延长至3小时（上文提到，此前数值计算方法通常在1小时内），并弥补了极端降水预报的短板。
1.6K10编辑于 2023-08-05 - 来自专栏气象学家
南方地区连日降雨，AI技术如何为气象预测保驾护航？
据上海中心气象台首席预报员介绍，今年的梅雨期与以往主要存在两个方面不同，一是入梅时间早，二是强降水可能会增多。 梅雨天气是如何形成的？ ，准确率比传统预报系统提升20%以上，也实现了雷达回波高精度3D的显示方式，能够全面的监测分析降水云团的形态变化。 图5 单站延伸期降水预报 针对梅雨期的持续时间长而目前无法准确预报延伸期各气象要素这一情况，眼控科技使用先进全球预报模式和各类排放清单等数据，利用了包含云-气溶胶相互作用的耦合空气质量模型的中尺度天气数值模式 ，搭建了预报时效30天、空间分辨率3公里的高分辨率延伸期数值预报系统，可对10-30天内的降水、气温、能见度、PM2.5等气象要素和大气环境要素提供较为精准的客观预报。 图8 低云低能见度监测网 图9 低云低能见度天气场景展示 眼控科技在气象预报领域拥有众多先进而成熟的技术和产品服务，秉持“产学研用”一体化，依托航空智慧气象创新中心，致力于将人工智能技术赋能航空气象，推动航空气象智能化发展
1.1K21发布于 2020-06-20 - 来自专栏气python风雨
基于meteva的华南降水mode检验
可以有效防止传统检验方法在降水落区差异时引起的空报漏报双重惩罚问题。 计算流程如下： 1. 观测场和预报场平滑、雨量阈值提取、选取关注的降雨面积最大最小值，提取目标。 2. 通过观测场和预报场的目标属性，计算观测和预报的相似度矩阵。通常认为目标相似度达到0.7表示该模式对雨带的预报较为准确。 #给某一点数据做一个随时间演变的切片，输出一下数据 rain24_gfs[0,0,0,:,0,0] #我们发现这个数据啊，是随预报时效递增的。中间参杂着大量相同的数据。所以我们判断，降水数据是累计的。 rain24_gfs['time'] = rain24_gfs.time+pd.Timedelta(hours=8) rain24_gfs #因为是整点的24小时降水检验，实况场我们采用cmpas的三源融合格点降水实况数据 第一参数传入实况场，第二个传入预报场。 smooth对降水（尤其是实况场）做平滑的强度。threshold是识别降水的阈值。这里以大雨以上量级为例，使用25作为识别阈值。
62711编辑于 2024-06-20 - 来自专栏新智元
AI天气预报吊打气象台：1张GPU1秒预测1小时天气
即时预报填补了这一关键时间区间的性能空白。气象传感的进步使高分辨率雷达可以高频地（在1公里分辨率下每5分钟）提供测量出的地面降水量数据。 通过大量的雷达观测数据训练这些模型，可以更好地模拟非线性降水现象，如对流启动和强降水。这类方法直接预测每个网格位置的降水率，模型已被开发用于确定性和概率性预报。 目前的深度学习系统所发布的预报，在降水场越来越模糊的情况下表现出了不确定性，而且不包括小尺度天气模式。 a. 20个样本的CSI，降水阈值为1毫米/小时（左）、4毫米/小时（中）和8毫米/小时（右）；b. 从上图中的b可以看到，DGMR和PySTEPS的光谱特征都与观测结果相吻合，但轴向注意力和UNet模式产生的预报具有中、小尺度的降水变化，并随着提前期的增加而减少。
1.1K10发布于 2021-10-12 - 来自专栏HyperAI超神经
为什么气象站和 AI 都测不准天气？
By 超神经 内容概要：根据气象部门预报，8 月 12 日北京将迎来今年入汛以来最强降雨，引发了社会各界的关注，也让人们开始关注天气预报和背后的科学预测方法。如今在气象观测中，也有了人工智能的加入。 关键词：气象AI 图像识别 神经网络 根据气象部门预报，8 月 12 日北京将迎来今年入汛以来最强降雨，各级部门都发出了预警通知。 例如，地面站直接测量风和降水等，还可以进行温压湿风观测、闪电观测。 雷达观测，比如多普勒雷达可以检测实时测量降水，以及遥感自动观测。 论文中的新方法是利用数据驱动、完全不使用大气物理模型来建立短临降水预报模型。仅使用神经网络，通过训练数据集来学习拟合大气物理，而没有使用先验的大气物理基础知识。 在这个方法中，降水预报被看作是一种由图片至图片的转换问题，并利用一种 U-net 结构的卷积神经网来实现预报目的。
81720发布于 2020-08-14
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号