- 综合排序
- 最热优先
- 最新优先
- 来自专栏气象学家
基于概率匹配思想修复AI降水预报短板
这类模型能够基于海量的雷达、卫星等观测数据学习降水模式，预报降水的落区、强度和演变。 然而，这类模型均存在一个难以突破的瓶颈，即对极端强降水事件的预报能力往往不尽如人意，其预报结果常常出现降水强度系统性偏弱、空间结构随预报时长增加快速平滑的特征。 目前，绝大多数深度学习降水预报模型都采用均方误差 (MSE) 作为损失函数。它的计算方法是：将预报降水场和观测降水场中每一个处于相同位置的降水值进行对比，计算所有区域降水值差异的平均平方和。 于是，模型会倾向于给出一个平滑化、接近气候平均状态的预报图：刻意压低强降水的峰值，同时可能夸大弱降水的范围 (如图1a)。因此，降水预报中最关键、最具致灾风险的强降水信号被显著弱化，预报价值下降。 (4) 降水空间结构更合理：以图4中的一次强降水预报评估为例，使用PM loss训练的模型表现出一种“纠偏”特性：它会增强那些原本预报偏弱的降水信号，同时抑制那些预报偏强的信号，从而使得整体的预报场在强度分布上更逼近观测
16010编辑于 2026-03-26 - 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 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。
30810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。 将临近降水预报视为分类问题需要使用预定义的类别或桶来对不同级别的降雨强度进行分类。使用的类别与表 1 中列出的类别一致，旨在为观测更丰富的较低降水值建立更窄的范围，同时仍然能够代表强降水的实例。 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。
42510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.
85320编辑于 2022-09-23 - 来自专栏气象学家
DeepFusion：基于多气象模态深度融合网络的短时强降水预报
彩云天气 APP 降水预报页面 传统的短临预报方法主要依赖光流外推或数值模式。 近年来，深度学习方法在降水预报领域展现出显著潜力，但现有方法大多仅利用单一数据源，未能充分挖掘多源数据的互补信息。 针对这些问题，我们提出了一种新型的短时强降水预报方法：DeepFusion。 实验表明： 技术创新：成功融合了雷达、降水、NWP 和地形等多源异构气象数据，通过注意力机制实现自适应的特征权重学习。 精准预测：在强对流降水预报任务中，具备较高的预报准确性。 尽管 DeepFusion 取得了良好的性能，未来仍有多方面的改进方向： 强化极端事件预报：强降水事件的预报仍是主要瓶颈，可通过引入概率预报来更好地量化预报不确定性，提升极端事件的预警能力。 彩云科技天气算法团队专注于将前沿人工智能技术应用于气象预报领域，在短临降水预报、空气质量预测、中长期天气预报等方向持续深耕。
39510编辑于 2026-03-26 - 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。
67330编辑于 2023-08-08 - 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。
1.2K20编辑于 2023-09-05 - 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
31261编辑于 2023-11-06 - 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% 。
1.4K20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
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。 研究还探讨了台风强度与降水轴对称分布特征（包括降水率、降水面积、总降水）之间的关系。 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。
1.7K20发布于 2021-05-20 - 来自专栏刷题笔记
4-11 Isomorphic (10 分)
本文链接：https://blog.csdn.net/shiliang97/article/details/102699401 4-11 Isomorphic (10 分) Two trees, T1
53200发布于 2019-11-07 - 来自专栏coding for love
4-11 shimming 的作用
webpack 编译器(compiler)能够识别遵循 ES2015 模块语法、CommonJS 或 AMD 规范编写的模块。然而，一些第三方的库(library)可能会引用一些全局依赖（例如 jQuery 中的 $）。这些库也可能创建一些需要被导出的全局变量。这些“不符合规范的模块”就是 shimming 发挥作用的地方。 shimming 另外一个使用场景就是，当你希望 polyfill 浏览器功能以支持更多用户时。在这种情况下，你可能只想要将这些 polyfills 提供给到需要修补(patch)的浏览器（也就是实现按需加载）。
1K20发布于 2020-03-23 - 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。
1.7K10编辑于 2023-08-05 - 来自专栏机器之心
10倍分辨率，5分钟预测：谷歌深度学习短时降水预报超越传统方法
天气总是会或轻或重地影响人们的日常生活，而天气预报的准确性会极大影响人们应对天气的方式。 天气预报可以告知人们是否应当选取一条不同的上班路线、是否应该重新安排周末野餐的计划、是否因为一场风暴的来袭而撤离住所。 超越传统天气预报方法 世界各地的气象机构都有大量的监控设施，例如，多普勒雷达可以实时测量降水量；气象卫星可以提供多光谱成像；地面气象站可以直接测量风速、风向和降水量等。 然而，计算资源的可用性在多个层面限制了基于数值的天气预报方法的能力。例如，计算力的需求将空间分辨率限制在约 5km 的范围内，这不足以用来分析市区和农田内的天气模式。数值方法还需要数个小时来运行。 第三个，所谓的持续性模型，这是一个平凡的模型，它假设某个地点未来也会像当前时刻一样在以同样的程度降水，即降水的模式并不会改变。
1.2K10发布于 2020-02-24 - 来自专栏气象学家
实用编程 | 气象上常见的评分函数及其Python实现
1 简介 气象部门在发布预报时，发布的是一定区域范围的网格化(或站点化)的气象要素结果，以降水预报为例， 先将预报区域划分为60 * 60(视空间分辨率而定，空间分辨率越高，格点数值越大) 的网格，每个网格上都存在对应的降水预报值 ETS评分表示在预报区域内满足某降水阈值的降水预报结果相对于满足同样降水阈值的随机预报的预报技巧； ETS评分是对TS评分的改进，能对空报或漏报进行惩罚，使评分相对后者更加公平. 2 代码 def ETS 在预报降水区域中实际没有降水的区域占总预报降水区域的比重。 用来反映降水总体预报效果的检验方法。 实际情况：FAR和 MAR一般随着降水阈值增大而显著增加，CSI 、ETS、POD、HSS、BSS随阈值增大而减小。即该预报模式对强降水的预报能力较弱，对是否降水预测更准确。
10.2K54发布于 2020-05-01 - 来自专栏GEE数据专栏，GEE学习专栏，GEE错误集等专栏
全球降水测量 全球降水测量（GPM）07 版
简介 全球降水测量 全球降水测量（GPM）07 版 全球降水测量（GPM）是一项国际卫星任务，每三小时提供一次全球雨雪的下一代观测数据。 用于全球降水测量的综合多卫星检索（IMERG）是一种统一算法，结合全球降水测量星座中所有被动微波仪器的数据提供降水量估算。 该算法旨在对所有卫星微波降水量估算值进行相互校准、合并和内插，并结合微波校准的红外（IR）卫星估算值、降水量计分析值以及可能的其他降水量估算值，以精细的时间和空间尺度对全球降水测量卫星（TRMM）和全球降水测量卫星 数据类型：GPM 07 版数据提供了多种类型的降水数据，包括降水强度、降水类型、降水云体/倾斜度等。 3. 空间范围：GPM 07 版数据涵盖全球范围，可以提供全球各个地区的降水信息。 4. 数据应用：GPM 07 版数据可用于气象预报、洪水预警、农业管理等多个领域，为研究人员和决策者提供有关全球降水状况的重要信息。
52710编辑于 2025-01-19 - 来自专栏自学气象人
气象上常见的评分函数及其Python实现
，空间分辨率越高，格点数值越大) 的网格，每个网格上都存在对应的降水预报值。 ETS评分表示在预报区域内满足某降水阈值的降水预报结果相对于满足同样降水阈值的随机预报的预报技巧； ETS评分是对TS评分的改进，能对空报或漏报进行惩罚，使评分相对后者更加公平. 2 代码 def ETS 在预报降水区域中实际没有降水的区域占总预报降水区域的比重。 用来反映降水总体预报效果的检验方法。 实际情况：FAR和 MAR一般随着降水阈值增大而显著增加，CSI 、ETS、POD、HSS、BSS随阈值增大而减小。即该预报模式对强降水的预报能力较弱，对是否降水预测更准确。
1.8K20编辑于 2023-06-21 - 来自专栏气象学家
WADEPre：利用小波变换“解耦”风雨，极值预报精度大幅提升
图1 降水预报的困境。(a). 重尾分布的降水数值使得优化问题陷入忽略极值的陷阱。(b). 现存的方法：数值优化模糊了细节，而傅里叶方法会引入“鬼影”. (c). WADEPre通过小波分解和渐进式学习，实现准确和锐利的极值预报。 既要位置准，又要强度高，还要纹理清晰，是目前短临降水的主要难题。 利用小波的局部性优势，它能精准还原强降水中心的锐利边界。 图2 WADEPre的整体架构。输入的雷达序列通过小波分解成两个子波，并送入对应的子网络，最后通过Refiner得到最终的预报。 图4 飑线 (Squall Line) 的预报结果可视化。 图5 强降水（Heavy Rain）事件的预报结果可视化。 4 总结 WADEPre 通过引入小波域分解和物理感知机制，成功缓解了极端降水预报中“准确度”与“清晰度”难以兼得的优化困境。
13410编辑于 2026-03-26
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