随着气候变化增加与天气有关的灾害的威胁,对天气控制的研究越来越重要。 天气控制的目标是通过管理具有最佳时间,地点和强度的干预措施来减轻灾害风险。 然而,由于天气现象的规模和复杂性,优化过程极具挑战性,这带来了两大挑战。 首先,获得准确的梯度信息进行优化很困难。 此外,数值天气预报(NWP)模型需要巨大的计算资源,需要以最小的函数评估进行参数优化。 为了应对这些挑战,本研究提出了一种基于黑匣子优化设计天气干预的方法,该方法可以实现高效的探索,而无需梯度信息。 提出的方法在两种不同的控制场景中进行评估:一枪初始值干预和基于模型预测控制的顺序干预。 此外,在减少总降雨量方面,对四种具有代表性的黑箱优化方法进行了比较分析。 实验结果表明,贝叶斯优化实现了比其他优化更高的控制效率,特别是在高维搜索空间中。 这些发现表明,贝叶斯优化是天气干预计算的一种非常有效的方法。
提高中程(1-8天)恶劣天气预报的技能对于减轻社会影响至关重要。 这项研究引入了一种新的方法,利用解码器专用的变压器网络进行基于AI的后天气预报,特别是Pangu-Weather模型,以改善恶劣天气指导。 与使用密集神经网络使用离散预测样本预测恶劣天气概率的传统后处理方法不同,我们的方法将预测交货时间视为顺序“令牌”,使变压器能够在不断变化的大气状态中学习复杂的时间关系。 我们将这种方法与使用传统致密神经网络和变压器的全球预测系统(GFS)的后处理进行比较,以及排除对流参数的配置,以公平评估使用Pangu-Weather AI模型的影响。 结果表明,与密集的神经网络相比,基于变压器的后处理显着增强了预测技能。 此外,人工智能驱动的预测,特别是从高分辨率分析中初始化的盘粉天气,即使在没有明确的对流参数的情况下,也表现出优于GFS的性能。 我们的方法提供了更高的准确性和可靠性,这也通过特征归因分析提供了可解释性,提高了中程恶劣天气预报能力。
云覆盖在天气预报中起着关键作用,并影响多个行业,包括农业,太阳能发电和航空。 尽管在数值天气预报(NWP)模型方面取得了进展,但由于云形成过程的小规模性质,预测总云覆盖仍然具有挑战性。 在这项研究中,我们引入了CloudCast,这是一种基于U-Net架构的卷积神经网络(CNN),旨在预测未来五个小时的总云覆盖(TCC)。 在五年的卫星数据培训中,CloudCast大大优于传统的NWP模型和光流方法。 与参考NWP模型相比,CloudCast实现了24个平均绝对误差,并通过46个模型减少了多类预测错误,表现出强劲的性能,特别是在捕获云覆盖的大规模结构方面,在最初几个预测时间内,尽管后来的预测受到云形成的模糊和低估的影响。 消融研究确定了最佳的输入特性和损失功能,基于MAE的模型表现最好。 CloudCast已集成到芬兰气象研究所的运行现播系统中,该系统改善了公共和私营部门客户使用的云覆盖预测。 虽然CloudCast受到相对较短的熟练交货时间的限制,大约三个小时,但未来的工作旨在通过更复杂的网络架构和更高分辨率的数据来扩展这一点。 CloudCast代码可在https://github.com/fmidev/cloudcast上找到。
近年来,机器学习方法对气候动态现象的时间序列预测应用越来越活跃。 众所周知,将带通滤波器应用于时间序列数据是获得高质量数据驱动模型的关键。 在这里,为了获得机器学习模型的长期可预测性,我们引入了一种新型的带通滤波器。 它可以应用于实时操作预测工作流程,因为它完全依赖于过去的时间序列。 我们将过滤器与水库计算相结合,这是一种机器学习技术,采用数据驱动的动态系统。 作为应用程序,我们仅使用过去的时间序列预测厄尔尼诺-南方涛动的多年动力学,预测视界为24个月。
热带气旋(TC)的降水可能引发洪水、泥石流和山体滑坡等灾害。 提前预测这样的降水是至关重要的,让人们有时间准备和防御这些降水引起的灾难。 开发深度学习(DL)降雨预测方法提供了一种预测潜在灾难的新方法。 然而,一个问题是,大多数现有方法都存在累积错误,缺乏物理一致性。 其次,这些方法忽略了气象因素在TC降雨中的重要性及其与数值天气预报(NWP)模型的整合。 因此,我们提出了热带气旋降水扩散(TCP-Diffusion),这是全球热带气旋降水预报的多模态模型。 它根据过去的降雨观测和多模式环境变量,预测TC中心未来12小时的TC降雨量为每小时3小时。 相邻的残余预测(ARP)将训练目标从绝对降雨量值更改为降雨趋势,并使我们的模型具有降雨变化意识,减少累积误差和确保物理一致性的能力。 考虑到与TC相关的气象因素的影响以及NWP模型预测的有用信息,我们提出了一个多模型框架,带有专门的编码器,从NWP模型提供的环境变量和结果中提取更丰富的信息。 广泛实验的结果表明,我们的方法优于欧洲中期天气预报中心(ECMWF)的其他DL方法和NWP方法。
云和降水对于了解天气和气候很重要。 与传统数值天气预报模拟云和降水具有挑战性,因为需要子网格参数化。 机器学习已经被探索用于预测云和降水,但早期的机器学习方法通常会产生模糊的预测。 在本文中,我们探索了一种较新的方法,称为基于分数的扩散,以现在投射(零到三个小时的预测)云和降水。 我们讨论了基于分数的扩散模型的背景和直觉 - 从而为社区提供了一个起点 - 同时探索该方法用于现在投射地球静止红外图像。 我们尝试了三种主要类型的扩散模型:基于分数的扩散模型(Diff);残余校正扩散模型(CorrDiff);和潜在扩散模型(LDM)。 我们的结果表明,扩散模型不仅能够标记现有的云,而且还能够产生和衰减云,包括对流启动。 这些结果令人惊讶,因为预测仅在过去20分钟的红外卫星图像中启动。 一个案例研究定性地显示,在预测中保存高分辨率特征的时间比训练的U-Net常规均方误差更长。 测试的三个扩散模型中最好的是CorrDiff方法,优于所有其他扩散模型,传统的U-Net,以及一到两个开尔文对根均方误差的持久性预测。 扩散模型还实现了开箱即用的集成生成,显示巧妙的校准,并且集成的分布与错误很好地相关。
中尺度涡流主导着海洋的时空多尺度变异,它们对全球海洋能源级联的影响不容忽视。 解决Eddy-Resolution海洋预测为渔业和航行安全提供了更可靠的保护,但也为传统数值模型带来了重大的科学挑战和高计算成本。 基于人工智能(AI)的天气和海洋预测系统正在成为平衡预测性能与计算效率的强大工具。 然而,海洋动力学系统中复杂的多尺度特征使得AI模型在中尺度涡流预测(特别是区域建模)中仍面临许多挑战。 在这里,我们开发LanTu,一个基于动态增强深度学习的区域涡流海洋预测系统。 我们将跨尺度交互整合到LanTu中,并构建多尺度物理约束,以优化LanTu,以涡流动力学知识为指导,以提高LanTu对中尺度演进的预测技能。 结果表明,LanTu在温度、盐度、海平面异常和电流预测方面优于现有的先进运行数值海洋预报系统(NOFS)和基于AI的海洋预报系统(AI-OFS),交货时间超过10天。 我们的研究强调,动态增强的深度学习(LanTu)可以成为解决涡流海洋预测的强大范式。
空气污染对公众健康构成重大威胁,导致或加剧许多呼吸道和心血管疾病。 此外,气候变化正在带来更多的极端天气事件,如野火和热浪,这可能会增加污染水平,恶化污染暴露的影响。 个人感知的最新进展改变了行为和生理数据的收集,从而有可能改善医疗保健。 我们希望利用这些数据,以及人工智能的新功能进行时间序列预测,以监测和预测个人的健康结果。 因此,我们提出了一种新的工作流程,通过将可穿戴健身设备的生理数据与实时环境暴露相结合,预测对污染的个性化健康反应。 这些数据以安全和道德的方式从各种来源收集,用于训练人工智能模型,在基于云的模块化框架内预测对污染暴露的个体健康反应。 我们证明,人工智能模型 - 在这种情况下的对抗性自动密码器神经网络 - 准确地重建了时间依赖的健康信号,并捕获对污染的非线性反应。 使用个人智能手表的数据应用传输学习,这增加了AI模型的泛化能力,并说明了该方法对现实世界用户生成数据的适应性。
预测灰天鹅极端天气,这是可能的,但如此罕见,以至于它们不在训练数据集中,是人工智能天气模型和长期气候模拟器的主要关注点。 一个重要的开放问题是,人工智能模型是否可以从训练中存在的较弱的天气事件推断为更强,看不见的极端天气。 为了测试这一点,我们在1979-2015年ERA5数据集上训练了AI模型FourCastNet的独立版本,其中包含所有数据,或者在全球范围内或仅在北大西洋或西太平洋盆地上空移除了3-5类热带气旋(TC)。 然后,我们在2018-2023年5类TC(灰天鹅)上测试这些版本的FourCastNet。 所有版本对全球天气产生相似的准确性,但未接受3-5个TC类训练的版本无法准确预测5类TC,这表明这些模型不能从较弱的风暴中推断。 在一个盆地中训练的无3-5类TC的版本显示了该盆地的一些技能预测5类TC,这表明FourCastNet可以在热带盆地中推广。 这是令人鼓舞和令人惊讶的,因为区域信息隐含地编码在输入中。 鉴于当前最先进的人工智能天气和气候模型具有类似的学习策略,我们预计我们的发现将适用于其他模型。 其他类型的极端天气也需要同样地调查。 我们的工作表明,人工智能模型需要新的学习策略,以可靠地为最稀有,最有影响力的TC以及可能的其他极端天气提供预警或估计统计数据。
我们提出了一种多尺度的方法来预测动态系统中的数量,该系统是明确结构化的,可以提取精细到粗和粗到细方向的信息。 我们设想这种方法通常适用于具有显着自我相似性的问题,或者预测任务具有挑战性,并且学习模型对目标动力学系统的影响的稳定性很重要。 我们评估我们在气候子电网参数化任务上的方法,其中我们的多尺度网络纠正混乱的基础模型,以反映未解决的精细尺度动力学的贡献。
基于强化学习(RL)的加热,通风和空调(HVAC)控制已成为一种有前途的技术,用于降低建筑能耗,同时保持室内热舒适性。 然而,这种策略的功效受到背景气候的影响,其实施可能会改变室内气候和当地城市气候。 该研究提出了将RL与城市气候模型相结合的综合框架,该模型结合了建筑能源模型,旨在评估基于RL的暖通空调控制在不同背景气候中的功效,RL策略对室内气候和当地城市气候的影响,以及RL策略在城市中的可转移性。 我们的研究结果表明,奖励(定义为能源消耗和热舒适度的加权组合)以及RL策略对室内气候和当地城市气候的影响,在具有不同背景气候的城市表现出明显的可变性。 奖励权重的敏感性和RL策略的可转移性也受到背景气候的强烈影响。 炎热气候下的城市往往会在大多数奖励重量配置中获得更高的回报,这些权重配置平衡了能源消耗和热舒适性,而那些大气温度变化较大的城市则表现出更高的RL策略可转移性。 这些发现强调了在不同气候背景下彻底评估基于RL的暖通空调控制策略的重要性。 这项研究还提供了一个新的见解,即城市对城市的学习将有助于部署基于RL的暖通空调控制。
支撑南极冰盖的冰架决定了向周围海洋排放冰的速度。 冰架的几何形状,因此其支撑强度,由冰流以及由大气和海洋条件控制的局部表面积累和基底融化率决定。 当代方法解决了其中一个速率,但通常不是两者兼而有之。 此外,关于它们如何及时变化的信息很少。 我们提出了一种新的方法,可以同时推断十年和百年时间尺度上平均的表面积累和基底熔融率。 我们使用雷达观察到的内部地层成像,使用内部地层成像的动力学前向模型,推断这些速率沿流线横截面的空间依赖性。 我们使用基于模拟的推理(SBI)解决逆问题。 SBI通过在向前模型的模拟上训练神经网络来近似后验分布来执行贝叶斯推理,使我们能够量化推断参数的不确定性。 我们在一个合成示例上证明了我们的方法的有效性,并将其应用于南极洲的Ekström冰架,新获得的雷达测量可用。 我们在2022年之前获得平均超过42,84,146和188年的表面积和基底熔体的后分布。 我们的研究结果表明,在南极洲的这个集水区,这一时期的大气和海洋条件稳定。 使用观察到的内部地层学可以分离表面积累和基底熔体的影响,使它们能够在过去几个世纪及以后的历史背景下进行解释。
海洋表面温度(SST)是海面热状态的基本物理参数。 由于陆地,海洋和大气之间错综复杂的热相互作用,沿海水域中SST的空间梯度通常比开放海水的空间尺度更细。 Landsat-8上的热红外传感器(TIRS)具有100米的空间分辨率,为发现粗度热传感器将忽略的精细沿海SST模式提供了一个独特的机会。 在这项研究中,我们首先分析了2014年至2023年南澳大利亚州温带沿海水域SST的时空模式,开发了一种从Landsat-8 TIRS传感器进行SST检索的操作方法。 在南澳大利亚州林肯港海岸部署了浮标,以验证SST检索的质量。 然后构建了具有100 m分辨率的SST的每日基线气候学,允许检测和分析异常SST事件。 我们的结果表明:(1)卫星衍生的SST数据与现场测量的SST值一致;(2)上斯宾塞湾和上圣文森特湾的半封闭,浅水区在夏季和冬季的温度高于靠近公海的水域,导致SST的季节性变化更高;(3)斯宾塞湾和圣文森特湾的近岸浅层区域,以及袋鼠岛周围的区域,与袋鼠岛相比,与SST相比,SST的季节性变化更高;(3)与SST海湾的近岸浅区相比,与袋鼠岛周围的区域相比,与袋鼠岛相比,SST的季节变化更高。在温暖的月份比凉爽的月份更有可能发生。 我们希望这些发现将有助于支持南澳大利亚沿海水域的渔业和水产养殖业。
模拟和预测河流系统的水位/阶段对于洪水警报、水力作业和洪水缓解至关重要。 基于物理的详细水文和液压计算工具,如HEC-RAS,MIKE和SWMM,可用于模拟一个完整的流域,并在河流系统的任何点计算水阶段。 然而,这些基于物理的模型是计算密集型的,特别是对于大型流域和更长的模拟,因为它们使用整个流域地形高程图的详细网格表示,并为每个网格单元解决复杂的偏微分方程(PDE)。 为了克服这个问题,我们训练了几种深度学习(DL)模型作为替代模型,以快速预测水阶段。 南佛罗里达州的迈阿密河的一部分被选为本文的案例研究。 广泛的实验表明,各种DL模型(MLP,RNN,CNN,LSTM和RCNN)的性能明显优于基于物理的模型HEC-RAS,即使在极端降水条件下(即热带风暴),并且加速超过500倍。 为了更准确地预测水阶段,我们的DL模型使用最近过去的河流系统的测量变量和协变,这些变量通常在不久的将来提供预测。
热带气旋(TC)预测对备灾和减灾至关重要。 虽然最近的深度学习方法已经显示出希望,但现有方法通常将TC演进视为一系列独立的帧到帧预测,限制了它们捕捉长期动态的能力。 我们介绍了用于TC预测的视频扩散模型的新应用,该模型通过额外的时间层明确建模时间依赖关系。 我们的方法使模型能够同时生成多个帧,更好地捕获气旋演变模式。 我们引入了一个两阶段的培训策略,在低数据制中显著提高个人帧质量和性能。 实验结果表明,我们的方法优于Nath等人之前的19.3方法,我们将可靠的预测范围从36小时延长至50小时。 通过使用传统指标和Fréchet视频距离(FVD)的全面评估,我们证明我们的方法产生更时间一致的预测,同时保持具有竞争力的单帧质量。 可在https://github.com/Ren-creater/forecast-video-diffmodels查阅代码。
疏离性和漩涡阻尼是用于动力核心的显式扩散机制,以确保数值稳定性。 在相应的扩散系数上有一个网格依赖的上限,否则扩散本身成为不稳定的根源。 这项工作考虑了三个现象立方格网格的稳定性限制 - 1)等距,2)等形图,3)等边映射。 Von Neumann分析用于推导出线性稳定性极限,这表明发散和漩涡阻尼的稳定性取决于立方体网格的细胞面积和纵横比。 线性理论与CAM-FV3动力核心的实际发散和漩涡阻尼极限进行比较,使用等形角和等边网格上的baroclinic波测试表壳。 对于发散阻阻,最大稳定系数的大小和不稳定的位置都符合线性理论。 由于运输方案的隐式漩涡扩散,漩涡阻尼的实际极限低于显式稳定性限制。 最大允许涡阻尼系数随等边网格的水平传输方案的选择而变化;假设这表明此测试中运输方案的相对隐性扩散。
尽管人工智能驱动的模型在现代降水预测中取得了显著的进步,但这些黑箱模型本质上无法加深对潜在机制的理解。 为了解决这一限制,我们提出了一个AI驱动的知识发现框架,称为遗传算法-地理加权回归(GA-GWR)。 我们的方法旨在揭示以复杂地形为标志的区域中管理降水模式与地形特征之间错综复杂关系的明确方程。 通过这个人工智能驱动的知识发现,我们发现了以前未公开的明确的方程,揭示了地形特征和降水模式之间的联系。 这些方程在应用于降水数据时表现出显着的准确性,优于传统经验模型。 值得注意的是,我们的研究表明,这些方程中的参数是动态的,适应不断变化的气候模式。 最终,公布的方程具有实际应用,特别是在使用低分辨率未来气候数据进行降水预测的精细缩小规模方面。 这种能力为未来气候情景下不同地形的降水模式的预期变化提供了宝贵的见解,这增强了我们应对当代气候科学带来的挑战的能力。
可再生能源，尤其是风能的规划和运行，关键依赖于准确、及时和高分辨率的天气信息。粗网格的全球数值天气预报通常会被降尺度以满足这些要求，这带来了尺度不一致、过程表示误差、计算成本和混沌性、模型偏差以及大尺度强迫等不同不确定性来源的纠缠等挑战。我们通过学习目标风电场的高分辨率数值天气模拟来解决这些挑战。将这种学习到的高分辨率气候先验与粗网格的大尺度预报进行优化组合，可以产生高度准确、细粒度、全变量、大型的天气模式预报集合。通过使用观测到的气象记录和风力涡轮机发电量作为参考，所提出的方法在确定性和概率技能或经济收益方面均优于现有的数值/统计预报-降尺度流程。此外，在适中的GPU上，具有1公里空间分辨率和15分钟输出频率的100个成员、10天预报耗时不到1小时，这与传统数值模拟所需的𝒪(10^3) CPU小时形成对比。通过大幅降低计算成本同时保持准确性，我们的方法为更高效、更可靠的可再生能源规划和运行铺平了道路。
稀疏观测和粗糙气候模型限制了有效的区域决策,强调了强有力的缩小规模的必要性。 然而,现有的AI方法与跨变量和地域的概括作斗争,并受到视觉变压器(ViT)自我关注的二次复杂性的限制。 我们推出了ORBIT-2,一个可扩展的基础模型,用于全球超分辨率气候缩小。 ORBIT-2包含两个关键创新:(1)剩余Slim ViT(Reslim),一个轻量级架构,具有剩余学习和贝叶斯正则化,以实现高效,稳健的预测;(2)TILES,一种瓷砖明智的序列缩放算法,可降低从二次到线性的自我关注复杂性,从而实现长序列处理和大规模并行。 ORBIT-2在32,768个GPU中扩展到100亿个参数,实现高达1.8 ExaFLOPS的持续吞吐量和92-98分辨率,并处理高达42亿个令牌的序列。 在7公里分辨率基准上,ORBIT-2根据观测数据在0.98至0.99的范围内以R^2得分获得高精度。
地球科学中的大多数数据同化(DA)方法都是基于高斯的假设。 虽然这些假设促进了高效的算法,但它们会导致分析偏差和随后的预测退化。 非参数,基于粒子的DA算法具有卓越的准确性,但它们应用于高维模型仍然带来了操作挑战。 本文从生成式人工智能(AI)领域的最新进展中汲取灵感,介绍了一种新的非线性估计理论,试图弥合DA方法论中现有的差距。 具体来说,一个共轭变换过滤器(CTF)被导出并显示为将着名的卡尔曼滤波器泛化为任意非高斯分布。 新的过滤器具有几个理想的特性,例如它保持先前状态的统计关系的能力和高度准确的观察的收敛。 新理论(ECTF)的集合近似也使用理想化的统计实验进行展示和验证,这些实验具有非高斯分布的边界数量,这是地球系统模型中普遍存在的挑战。 这些实验的结果表明,ECTF的最大好处发生在观测误差相对于预测的不确定性较小以及状态变量表现出强烈的非线性依赖性时。 最终,新的过滤理论为通过与人工智能技术的原则性集成来改善传统DA算法提供了令人兴奋的途径。