利用隐式连续表示进行潮流数据的任意尺度降尺度
原文中文,约400字,阅读约需1分钟。发表于: 。本文提出了一个新颖的缩小规模框架,用于处理潮流速度数据的特征,并且可以生成任意尺度的输出,相比基准模型能显著提高流速预测(MSE 和 MAE 分别提高了 93.21% 和 63.85%),同时降低了 33.2% 的 FLOPs。
本文介绍了一种经济有效的千米级降尺度扩散模型,用于物理风险预测。该模型通过训练台湾区域高分辨率天气模型得到,并能准确预测有害风和降水极端事件。研究显示该模型能恢复多变量关系,包括冷锋中的强降雨和尖锐风等。此外,该模型还能成功保留全球预报模型的优势,预示着全球到区域的机器学习天气预报时代即将到来。