物理学
Physics
加速器物理
Accelerator Physics
应用物理学
Applied Physics
大气与海洋物理学
Atmospheric and Oceanic Physics
雪水当量(SWE) - 如果积雪融化,可用水量 - 是水管理机构用于进行灌溉,防洪,发电和干旱管理决策的关键决策变量。 SWE值在空间上有所不同 - 受天气,地形和其他环境因素的影响。 虽然每日SWE可以通过具有必要仪器的雪遥测(SNOTEL)站进行测量,但此类站在空间上是稀疏的,需要插值技术来创建时空数据。 虽然最近的研究已经探索了SWE预测的机器学习(ML),但最近的一些ML进展尚未考虑。 本文的主要贡献是探索一个这样的ML进步,注意力机制,为SWE预测。 我们的假设是,注意力具有独特的能力来捕获和利用可能存在于各个位置或时间光谱(或两者)的相关性。 我们为SWE预测提出了基于注意力的通用建模框架,并将其调整以捕获空间注意力和时间注意力。 我们在美国西部323个SNOTEL站的实验结果表明,我们基于注意力的模型优于其他机器学习方法。 我们还提供了关键的结果,强调了在这种情况下空间和时间注意力之间的差异,以及用于生成空间完整的SWE地图的部署路线图。
准确的降水估计对于水文应用至关重要,特别是在地面观测网络稀少、预测技能有限的全球南方。 现有的基于卫星的沉淀产品通常仅依靠长波红外通道,或者通过可能引入重大错误的数据进行校准,特别是在每日次日尺度上。 这项研究介绍了Oya,这是一种新颖的实时降水检索算法,利用地球静止(GEO)卫星的全光谱可见光和红外(VIS-IR)观测。 Oya采用两阶段深度学习方法,结合了两种U-Net模型:一种用于降水检测,另一种用于定量降水估计(QPE),以解决降雨和无雨事件之间的固有数据不平衡。 这些模型使用高分辨率GPM联合雷达-辐射算法(CORRA)v07数据作为地面真理进行训练,并在IMERG-Final检索上进行预训练,以增强稳健性并减轻由于CORRA的时间采样有限而导致的过拟合。 通过利用多颗GEO卫星,Oya实现了准全球覆盖,并与现有的竞争性区域和全球降水基线相比表现出卓越的性能,为改善降水监测和预测提供了有希望的途径。
流流预测是水文领域的主要挑战之一,这是由于流流生成背后的多个非线性物理机制之间的复杂相互作用。 虽然基于物理的模型植根于对物理过程的丰富理解,但仍然存在显着的性能差距,可以通过利用机器学习的最新进展来解决。 这项工作的目标是将我们对水文过程和约束的理解纳入机器学习算法,以提高预测性能。 此问题的传统 ML 模型预测使用天气驱动器作为输入的流流。 然而,有多个中间过程相互作用,以产生来自天气驱动因素的流流。 该方法的关键思想是明确模拟这些中间过程,这些过程使用多任务学习框架将天气驱动因素连接到流流。 虽然我们提出的方法需要在训练过程中提供有关中间过程的数据,但只需要天气驱动器来预测测试阶段的流流。 我们评估该方法在位于明尼苏达州东南部根河流域南岸的集水区SWAT模型生成的模拟数据集上的有效性。 虽然本文的重点是提高单个集水区的数据的性能,但这里介绍的方法适用于基于ML的方法,该方法使用来自多个集水区的数据来提高每个集水区的性能。
本文介绍了一个物理约束的神经微分方程框架,用于参数化,并使用它来模拟给定水文气象强迫的季节性雪深度的时间演变。 当对来自多个SNOTEL站点的数据进行培训时,参数化预测了每日积雪深度,在各种各样的雪气候中,中位误差低于9%,纳什·萨特克利夫效率超过0.94。 参数化还推广到训练期间看不到的新站点,这对于校准的雪模型通常不是正确的。 要求参数化来预测雪水当量以及雪深只会增加误差到12%。 该方法的结构保证了物理约束的满足,在模型训练期间实现了这些约束,并允许以不同的时间分辨率进行建模,而无需对参数化进行额外的再训练。 这些好处在气候建模中具有潜力,并可能扩展到其他具有物理约束的动态系统。
海冰在稳定地球系统方面发挥着重要作用。 然而,代表其动态仍然是模型面临的主要挑战,因为底层过程是尺度不变和高度各向异性的。 这带来了一个两难境地:基于物理的模型忠实地再现观察到的动力学,计算成本很高,而高效的AI模型牺牲了现实主义。 在这里,为了解决这一困境,我们引入了GenSIM,这是第一个以12小时增量预测整个北极海冰状态演变的生成式AI模型。 GenSIM接受过20年海冰-海洋模拟数据的日常预测培训,30年进行现实预测,同时通过其引线和脊再现海冰的动态特性,并捕捉海冰量的长期趋势。 值得注意的是,尽管完全由大气再分析驱动,但GenSIM隐式地学习了多年冰-海洋相互作用的隐藏特征。 因此,生成式AI可以从亚每日预测推断到十年模拟,同时保持物理一致性。
海洋表面温度(SST)对于理解上海洋热动力学和海洋 - 大气相互作用至关重要,这些相互作用具有深远的经济和社会影响。 虽然数据驱动的模型在SST预测中显示出希望,但其黑箱性质往往限制了可解释性,忽略了关键的物理过程。 最近,物理信息神经网络一直在获得动力,但由于1)对海水运动(例如沿海上升)的定性不足和2)外部SST驱动因素的整合不足(例如,湍流热通量)而与复杂的海洋大气动力学作斗争。 为了应对这些挑战,我们提出了SSTODE,一个物理信息的神经普通差分方程(Neural ODE)框架,用于SST预测。 首先,我们从流体运输原理中得出ODE,将优势和扩散相结合,以模拟海洋时空动力学。 通过变频优化,我们恢复了一个潜在速度字段,该字段明确管理 SST 的时间动态。 在ODE的基础上,我们引入了一个能源交换集成商(EEI),灵感来自海洋热预算方程,以考虑外部强迫因素。 因此,这些因素成分的变化为SST动力学提供了更深入的见解。 广泛的实验表明,SSTODE在全球和区域SST预测基准中取得了最先进的性能。 此外,SSTODE直观地揭示了前向动力学,热扩散模式和昼夜加热冷却周期对SST演变的影响。 这些发现证明了模型的可解释性和物理一致性。
当奥地利水电产量在2025年初因积雪减少而暴跌44%时,它暴露了一个关键的脆弱性:标准气象和气候学数据集在拥有未开发可再生潜力的山区系统性地失败。 本文评估了阿尔卑斯能源气候数据差距的新兴解决方案,分析了从全球再分析(ERA5,31公里)到公里尺度的数字孪生(气候DT,Extremes DT,4.4公里),区域再分析(ARA,2.5公里)和下一代AI天气预报模型(AIFS,31公里)的数据集。 多分辨率评估表明,没有一个单一的数据集普遍表现出色:粗重分析提供了基本的气候学,但错过了山谷尺度的过程,而数字孪生解决了阿尔卑斯山的动态,但仍然需要计算。 因此,有效的能源规划需要根据与能源相关的指数进行战略数据集组合,例如人口加权极端,风能返回期和阿尔卑斯山调整后的风暴阈值。 一个关键的前沿是每小时(10-15分钟)的时间分辨率,以满足网格操作需求。 六个基于证据的建议概述了弥合空间和时间尺度的途径。 随着可再生能源部署在全球范围内扩展到复杂的地形,阿尔卑斯地区为解决全球山区的相同预测和气候分析挑战提供了可转移的观点。
热带气旋(TC)的准确预测仍然具有挑战性,因为探测TC结构的卫星观测有限,并且难以解决TC加剧所涉及的云特性。 最近的研究已经证明了机器学习方法从卫星观测中重建3D云的能力。 然而,现有方法仅限于TCs不常见的地区,并且对强烈风暴的验证不足。 我们引入了一个新的框架,基于训练前微调管道,从具有全球覆盖范围的多个卫星中学习,将2D卫星图像转化为相关云属性的3D云图。 我们将模型应用于定制的 TC 数据集,以评估在最具挑战性和相关条件下的性能。 我们首次展示了我们可以创建全球瞬时3D云图,并准确重建强风暴的3D结构。 我们的模型不仅扩展了可用的卫星观测,而且还提供了完全缺失观测时的估计值。 这对促进我们对技术合作集约化和改善预测的理解至关重要。
极端降水现在需要高时空保真度和延长的交货时间,但现有方法仍然有限。 数值天气预报(NWP)及其深度学习仿真对于快速演变的对流来说太慢和粗糙,而外推和纯数据驱动的模型则受到错误积累和过度平滑的影响。 混合2D雷达方法丢弃关键的垂直信息,防止精确重建高度依赖的动力学。 我们引入了一个灰盒,完全三维的现播框架,直接处理体积雷达反射率,并将物理约束的神经运算符与数据驱动的学习结合起来。 该模型在保守的前向运算符下学习垂直变化的3D前向域,参数化空间变化的扩散,并引入了一个布朗运动启发的随机术语来表示未解决的运动。 残余分支捕获小规模对流启动和微物理可变性,而基于扩散的随机模块估计不确定性。 该框架在降水机制中实现了更准确的预测,长达3小时的领先时间,在160名气象学家的盲目评估中,57%的病例排名第一。 通过以物理一致性恢复完整的3D动力学,它为熟练和可靠的极端降水注入提供了可扩展和强大的途径。
电网变得越来越重要,支持医疗保健,供暖和制冷运输,电信和水系统等基本服务。 这种对可靠电力的日益依赖凸显了增强电网弹性的必要性。 这项研究为马萨诸塞州的散装配电变电站提出了Eversource的气候脆弱性评估(CVA),评估了风暴潮,海平面上升,降水和极端温度的风险。 重点是开发一个具有成本效益的模型,以指导有针对性的复原力投资。 这是通过整合空间,气候,电气资产和其他相关数据的风险特异性评估克服单一变量分析的局限性来实现的; 并应用敏感性分析来建立可操作气候风险的数据驱动阈值。 通过将地理空间分析和数据建模与电力工程原理相结合,本研究为公平,数据知情的气候适应规划提供了一个实用和可复制的框架。 结果表明,某些气候危害的阈值可能高度敏感,并导致需要缓解措施以充分适应气候变化的站点数量大幅增加,这表明高保真长期气候预测至关重要。
精简顺序模型(ROM)可以有效地模拟高维物理系统,但缺乏强大的不确定性量化方法。 现有方法通常是针对特定架构或训练的,这限制了灵活性和概括。 我们引入了一个后临时模型无关的框架,用于在潜在空间ROM中进行预测不确定性量化,无需修改底层架构或训练过程。 使用构象预测,我们的方法估计ROM管道多个组件的统计预测间隔:潜在动力学,重建和端到端预测。 我们在云微物理的潜在空间动力学模型上演示了该方法,其中它准确地预测了液滴大小分布的演变,并量化了整个ROM管道的不确定性。
随着智能物联网(IoT)系统在城市环境中的兴起,新的机会正在涌现,以增强实时环境监测。 虽然大多数研究都集中在基于物联网的空气质量传感或基于物理的建模上,但这项工作通过将低成本传感器和基于人工智能的视频交通分析与高分辨率城市空气质量模型相结合,弥合了差距。 我们在巴塞罗那Eixample区的一个公路交叉路口进行了真实的试点部署,系统可以捕获动态交通状况和环境变量,在边缘处理它们,并将实时数据输入高性能计算(HPC)模拟管道。 结果根据二氧化氮(NO2)的官方空气质量测量结果进行验证。 与依赖静态排放清单的传统模型相比,物联网辅助方法增强了城市空气质量预测对交通相关污染物的时间粒度。 利用物联网边缘云-HPC架构的全部功能,这项工作展示了一个可扩展的、适应性的、具有隐私意识的城市污染监测解决方案,并为下一代物联网驱动的环境智能奠定了基础。
本研究介绍了OceanCastNet(OCN),这是一种用于波浪预测的机器学习方法,该方法结合了风和波场来预测显着的波浪高度,平均波段和平均波方向。我们使用两个独立的数据集来评估OCN对操作ECWAM模型的性能:NDBC浮标和Jason-3卫星观测。 NDBC站的验证表明,与ECWAM的10个站相比,OCN在24个站点中表现更好,Jason-3卫星验证在228小时的预测中证实了类似的精度。 OCN在极端天气条件下成功捕获波浪模式,通过台风Goni演示,预测错误通常在±0.5米以内。 该方法还提供计算效率优势。 结果表明,机器学习方法可以达到与传统波预测系统相当的性能,用于操作波预测应用。
人工智能正在改变科学,但一般的对话人工智能系统通常会产生未经验证的“幻觉”,破坏科学的严谨性。 我们介绍了OceanAI,这是一个对话平台,将开源大型语言模型(LLM)的自然语言流畅性与美国国家海洋和大气管理局(NOAA)托管的权威海洋数据流的实时参数化访问集成在一起。 每个查询,如“波士顿港2024年的最高水位是多少?”,都会触发实时API调用,这些调用可以识别、解析和合成相关数据集,以生成可重复的自然语言响应和数据可视化。 在与三个广泛使用的AI聊天界面产品的盲目比较中,只有OceanAI产生了具有原始数据引用的NOAA源值;其他产品要么拒绝回答,要么提供不支持的结果。 OceanAI专为可扩展性而设计,可连接到多个NOAA数据产品和变量,支持海洋危害预测,生态系统评估和水质监测应用。 通过接地输出和可验证的观测,OceanAI提高了透明度,可重复性和信任性,为海洋中的人工智能决策支持提供了一个可扩展的框架。 公开示威可查阅https://oceanai.ai4ocean.xyz。
准确预测海洋学变量对于了解气候变化、管理海洋资源和优化海上活动至关重要。 传统的海洋预测依赖于数值模型;然而,这些方法在计算成本和可扩展性方面面临限制。 在这项研究中,我们调整了Aurora,一个最初为大气预测而设计的基础深度学习模型,以预测金丝雀上涌系统中的海面温度(SST)。 通过用高分辨率海洋学再分析数据对模型进行微调,我们展示了其捕获复杂时空模式的能力,同时降低了计算需求。 我们的方法涉及分阶段的微调过程,包括纬度加权错误指标和优化超参数以实现高效学习。 实验结果表明,该模型实现了0.119K的低RMSE,保持了高异常相关系数(ACC≈0.997)。 该模型成功再现了大规模的SST结构,但在捕获沿海地区的细节方面面临挑战。 这项工作通过证明使用在不同领域预先训练的深度学习模型进行海洋应用的可行性,有助于数据驱动的海洋预测领域。 未来的改进包括整合额外的海洋学变量,增加空间分辨率,并探索物理知情的神经网络,以提高可解释性和理解性。 这些进步可以提高气候建模和海洋预测的准确性,支持环境和经济部门的决策。
了解和预测北极海洋环境中的降水事件,如熊岛和Ny-Ålesund,对于评估气候风险和在脆弱海洋区域发展预警系统至关重要。 这项研究提出了一个概率机器学习框架,用于建模和预测降水的动力学和严重程度。 我们首先使用小波相干分析降水与关键大气驱动因素(例如温度、相对湿度、云层覆盖和气压)之间的尺度依赖关系,该边界捕获了跨时间和频域的局部依赖关系。 为了评估联合因果影响,我们使用协同-独特-冗余分解,它量化了每个变量之间的相互作用效应对未来降水动力学的影响。 这些见解为数据驱动的预测模型的发展提供了信息,该模型结合了历史降水和因果气候驱动因素。 为了考虑不确定性,我们采用了构象预测方法,该方法能够生成校准的非参数预测间隔。 我们的研究结果强调了利用综合框架的重要性,该框架将因果分析与概率预测相结合,以提高北极海洋环境中降水预测的可靠性和可解释性。
Madden-Julian涛动(MJO)是全球天气和气候极端的重要驱动因素,但其在操作动力学模型中的预测仍然具有挑战性,熟练的预测通常限制在3-4周。 在这里,我们介绍了一个新的深度学习框架,即MJO(PCC-MJO)的物理引导级联校正器,它充当通用的后处理器,从动态模型中校正MJO预测。 这个两阶段模型首先使用物理消息化的3D U-Net来纠正空间-时间场错误,然后使用LSTM优化的预测技能来完善MJO的RMM指数。 当应用于CMA,ECMWF和NCEP的三种不同的操作预测时,我们的统一框架将熟练的预测范围(双变量相关性>0.5)持续延长2-8天。 至关重要的是,该模型有效地缓解了“海洋大陆屏障”,使更逼真的东向传播和振幅。 可解释的人工智能分析定量证实,该模型的决策在空间上与观察到的MJO动力学(相关性> 0.93)一致,证明它学习物理上有意义的特征而不是统计配件。 我们的工作提供了一个有前途的物理一致性,计算高效和高度可推广的途径,以突破亚季节预测中长期存在的障碍。
机场雾的短期预测(能见度<1.0公里)在地理上推广方面面临挑战,因为许多机器学习模型依赖于特定位置的功能,并且无法跨站点传输。 这项研究调查了基本的热力学和辐射过程是否可以编码在一个无坐标(位置无关)的特征集,以实现地理可转移性。 在智利圣地亚哥(SCEL,33S)上训练的梯度提升分类器(XGBoost)从2002-2009年的数据中进行了评估,并在2010-2012年的禁赛中进行了评估,并在Puerto Montt(SCTE),旧金山(KSFO)和伦敦(EGLL)进行了严格的零镜头测试。 该模型在11,650公里和不同的雾系统(辐射,建议,海洋)的距离上实现了0.923-0.947的AUC值。 一致的SHAP特征排名表明,可见性持久性,太阳角度和热梯度主导预测,表明模型学习的可转移物理关系而不是特定地点的模式。 结果表明,物理信息,无坐标特征工程可以产生地理上可转移的大气预测工具。
气候事件产生于由全球规模驱动因素支配的错综复杂的多元动态,对食品、能源和基础设施产生深远影响。 然而,准确的天气预报仍然难以捉摸,因为物理过程在不同的时空尺度上展开,而固定分辨率的方法无法捕获。 分层图形神经网络(HGNN)提供了多尺度表示,但非线性向下映射通常会消除全球趋势,削弱物理学与预测的整合。 我们介绍了HiFlowCast及其集成变体HiAntFlow,HGNN,将物理嵌入多尺度预测框架中。 两项创新支撑着他们的设计:一种在向下遍历期间保持全球趋势的潜伏记忆保留机制,以及一个将不同尺度的PDE解决方案领域集成在一起的潜伏-物理分支。 我们的 Flow 模型在 13 天交货期将错误减少了 5% 以上,在第 1 和第 99 次分位数极端下减少了 5-8% 的错误,提高了罕见事件的可靠性。 利用预训练的模型权重,它们在一个时代内收敛,降低了训练成本和碳足迹。 这种效率至关重要,因为机器学习规模越来越大,挑战了可持续性,限制了研究的可访问性。 代码和模型权重在补充材料中。
人工智能具有先进的定量遥感,但其有效性受到标签分布不平衡的限制。 这种不平衡导致传统训练的模型有利于普通样本,这反过来又降低了罕见样品的检索性能。 降雨检索就是这个问题的例证,在大雨中性能特别受损。 这项研究提出了Hurdle-Inversion Model Debiasing Learning(IMDL)框架。 在分而治之策略之后,降雨分布的不平衡分为两个部分:零通货膨胀,由非降雨样本占主导地位的定义;长尾,由与大雨样本相比不成比例的轻雨样本的丰度定义。 采用了一个障碍模型来处理零通胀,而IMDL则被提议通过将学习对象转变为一个公正的理想反向模型来解决长尾。 通过统计指标和案例研究调查中国东部多雨天气的综合评估证实了Hurdle-IMDL优于常规,成本敏感,生成和多任务学习方法的优势。 它的主要进展包括有效缓解系统低估和显著改善大到极端降雨的检索。 IMDL提供了一种可推广的方法来解决环境变量分布的不平衡,从而能够加强对罕见但高影响事件的检索。
继续滚动加载更多
