- 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 mean=2.0, max=2.5, weight=0.6667), Bucket(idx=8, mean=3.25, max=4, weight=0.6901), Bucket(idx=9, 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。 这种裁剪和上采样是在 MetNet 9 中引入的，这是由于输入和标签的空间分辨率不同所致，如第 3 节中所述。 解释为什么要对标签值上采样。 图片
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。 交叉熵损失虽然最初提供的损失函数是均方误差（MSE），但回归损失、交叉熵等分类损失已用于降水临近预报，以获得更好的性能32,9,3并生成概率预测，提供更多信息。 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 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。 2021年12月11日9时30分，美国中部地区突发龙卷风灾害，造成89人死亡、676人受伤，NowcastNet可以对强降水的强度、落区和运动形态等给出更清晰、更准确的预报结果。
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。 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。 Earth Sci. 9:659310. doi: 10.3389/feart.2021.659310 Received: 27 January 2021; Accepted: 16 April 2021
1.7K20发布于 2021-05-20 - 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->h9 i2->h9 i3->h9 i4->h9 ## 0.20 -1.31 14.80 0.90 -0.73 ## b->h10 i1->h10 i2->
31220编辑于 2023-08-31 - 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->h9 i2->h9 i3->h9 i4->h9 ## 0.20 -1.31 14.80 0.90 -0.73 ## b->h10 i1->h10 i2->
53700编辑于 2023-02-23 - 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。 CSI是一种用于评估预测准确性的指标 2021年12月11日9时30分，美国中部地区突发龙卷风灾害，造成89人死亡、676人受伤，NowcastNet可以对强降水的强度、落区和运动形态等给出更清晰、更准确的预报结果
1.7K10编辑于 2023-08-05 - 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->h9 i2->h9 i3->h9 i4->h9 ## 0.20 -1.31 14.80 0.90 -0.73 ## b->h10 i1->h10 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》。
59220编辑于 2023-07-24 - 来自专栏气象学家
npj-CAS | 一种用于预报大气河和极端降水的区域高分辨率AI天气模型
一种用于预报大气河和极端降水的区域高分辨率AI天气模型 Schematictotraintheglobalandstretched gridAI-drivenweathermodels Baño-Medina npj Clim Atmos Sci 8, 385 (2025). https://doi.org/10.1038/s41612-025-01265-9 一、研究背景与动机 • 问题提出：随着 AI Research and Forecasting (WRF) 模型，分辨率为 ~3–6 km； • IFS：ECMWF 的业务全球模式（Integrated Forecasting System），分辨率约 9– 降水强度分布偏差（图3） • AI 31-km 模型： • 在 >20 mm/天 的降水阈值上显著低估； • 对 >150 mm（99th 百分位以上） 的极端降水严重平滑，几乎无法捕捉峰值； • 这种低估在不同预报时效 ✅ 总结一句话： 当前 AI 天气模型在常规天气预报中表现出色，但在预测极端降水（如强大气河）时仍系统性低估强度；高分辨率物理模型（如 West-WRF）在极端事件中更具可靠性，未来需发展兼顾物理真实性和
18710编辑于 2026-03-25 - 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？
据了解，上海中心气象台在6月9日已宣布上海进入梅雨期。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GEE数据专栏，GEE学习专栏，GEE错误集等专栏
基于加拿大降水分析 (CaPA) 系统的北美区域确定性降水数据集
区域确定性降水分析 (RDPA)¶ 基于加拿大降水分析 (CaPA) 系统的区域确定性降水分析 (RDPA) 的域与业务区域模式相对应，即区域确定性预报系统 (RDPS-LAM3D)，但太平洋地区除外其中 前言 – 人工智能教程 区域确定性降水分析（RDPA）是对最近 6 或 24 小时降水量的最佳估计。该估算综合了现场降水量计测量、天气雷达、卫星图像和数值天气预报模型的数据。 10公里分辨率的降水数据是大气科学、气象学、水文学等领域中重要的数据之一，它具有以下作用： 1. 气象预报和预警：降水是天气预报和预警中的重要因素之一。 Retrieved from https://open.canada.ca/data/en/dataset/fdd3446a-dc20-5bad-9755-0855e3ec9b19 地球引擎片段¶ // bands print(rdpa_i) // Visualize precipitation for single image var prec_palette = ["#ffffcc", "#c7e9b4
35310编辑于 2024-02-02 - 来自专栏气python风雨
读者答疑 02 | 斜的网格线？兰伯特投影！
你好，我基于wrfv4.4.2，使用era5预报数据模拟未来72h降水过程，但出现负值降水，请问您知道会是什么原因吗？我尝试更换时间段、数据源、参数化方案仍未解决该问题。 可以出一期PUP产品绘制垂直剖面图案例吗 首先是小编没有数据， 简单的思路是利用pycinrad读取数据，然后用scipy插值出剖面 9. f00是分析场吧，其他都是预报场 11. 请问大家判断层状云降水和对流云降水的雷达反射率和小时雨强分别是多少哇？ 这意味着您应该为此运行使用 9 到 64 个处理器。 请问有人用open-meteo下载过ec或者cma_gfs的历史预报数据吗，这个网站是可以下载历史预报数据的吗？
32810编辑于 2024-06-20
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