小春shi-CSDN博客

原创 QPE（Quantitative Precipitation Estimation）介绍

"QPE" 通常指的是 "Quantitative Precipitation Estimation"，即定量降水估计的缩写。这是一种用于测量和估计降水量的方法，通常在气象学、水文学和水资源管理中使用。QPE 方法包括使用各种技术和工具，如雷达、卫星遥感、气象站数据、数值模型等，以定量方式估计降水的强度、分布和总量。QPE 方法的准确性取决于数据源、算法和模型的质量，因此它在不同的应用中可能采用不同的技术和工具来实现。这一领域的研究不断发展，旨在提高降水估计的准确性和精度，以更好地应对气象和水文事件。

2023-10-15 17:15:12 937 1

原创 ViT读书笔记

ViT跟ResNet Baseline不相上下的效果。Transformer的优势。

2023-09-22 11:04:17 56

原创【AI气象5】Using Conditional Generative Adversarial 3-DConvolutional Neural Network for Precise Radar 外推

天气雷达是气象观测的重要工具之一。它能够实时提供高精度的大气信息，也是许多天气识别和预测算法的基础。雷达回波外推技术是指基于过去的雷达数据预测未来雷达回波的变化。这项技术分析了过去几分钟内的雷达回波变化，并在接收数据后的几分钟内提供高时空分辨率的未来大气演变信息。外推技术在接下来的几个小时内，尤其是第一小时内具有可靠的预测技能。高质量的雷达回波外推结果是许多预测算法的基石，对于灾害防控具有重要意义。传统的雷达外推方法可以分为基于单元的方法和像素级方法。

2023-09-21 16:59:01 421

原创【AI气象基础知识2】ViT: An image is worth 16x16 words: Transformers for image recognition at scale

自注意力架构，特别是Transformer（Vaswani等，2017），已经成为自然语言处理（NLP）中的首选模型。主要方法是在大型文本语料库上进行预训练，然后在较小的任务特定数据集上进行微调（Devlin等，2019）。由于Transformer的计算效率和可扩展性，现在可以训练具有超过1000亿参数的前所未有的大型模型（Brown等，2020；Lepikhin等，2020）。随着模型和数据集的不断增长，性能仍然没有达到饱和。然而，在计算机视觉领域，卷积架构仍然占主导地位（LeCun等，1989；

2023-09-16 21:59:11 107 1

原创【AI气象基础知识1】TransUNet: Transformers Make StrongEncoders for Medical Image Segmentation

卷积神经网络（CNNs），特别是全卷积网络（FCNs）[8]，已经成为医学图像分割领域的主导力量。在不同的变体中，U-Net [12]，它由对称的编码器-解码器网络组成，其中包含跳跃连接以增强细节保留，已经成为事实上的选择。基于这一方法，已经在广泛的医学应用中取得了巨大成功，如从磁共振（MR）中进行心脏分割[16]，从计算机断层扫描（CT）中进行器官分割[7, 17, 19]，以及从结肠镜视频中进行息肉分割[20]。

2023-09-16 16:46:10 171 1

原创【AI气象4】U-Net based Nowcasting：Machine Learning for Precipitation Nowcasting fromRadar Images

高分辨率的短时天气预报对于有效应对气候变化，尤其是极端天气，是一种必不可少的工具。由于深度学习（DL）技术在许多领域，包括地球科学，已经显示出巨大的潜力，因此我们提出了DL在降水现在预测问题上的应用，即高分辨率（1公里×1公里）短期（1小时）降水预测。我们将天气预报视为图像到图像的转换问题，并利用广泛使用的U-Net卷积神经网络的强大能力。与三种常用模型：光流、持续性和NOAA的数值一小时HRRR现在预测相比，我们发现这种方法的性能表现较好。

2023-09-15 23:57:22 292

原创【AI气象3】SmaAt-UNet: Precipitation Nowcasting using a SmallAttention-UNet Architecture

计算机气象预测是现代工业化社会中普遍存在的特征，用于规划、组织和管理个人和经济生活的各个方面。迄今为止，天气预报的主要方法是数值天气预报（NWP）。NWP依赖于数学模型，考虑大气的不同物理特性，如风速、压力和温度。基于NWP的模型可以生成几小时到几天后的准确天气预测。然而，它们涉及求解高度复杂的数学模型，计算成本高昂，需要庞大的计算能力，因此通常在昂贵的超级计算机上执行[1]。由于NWP模型具有高计算和时间要求，因此不太适合范围从几分钟到最多6小时的短期预报，也称为短临预报[2]。

2023-09-15 22:18:29 702 1

原创【AI气象2】AA-TransUNet: Attention Augmented TransUNetFor Nowcasting Tasks

准确的天气预测对人类生活产生重要影响，直接影响着包括经济、农业、商业、交通和物流等多个领域。特别是短临降水预测，即未来6小时的天气预测，由于在支持上述工业部门的社会经济需求中具有高度影响，因此成为越来越受欢迎的研究主题[1]。此外，降水短临预测在水相关风险管理中起着重要作用。警告系统通常也依赖于此类预测来生成警报[2]。传统的降水预测方法基于数值天气预报（NWP）[3]。然而，它们的空间和时间分辨率通常对降水短时预测来说太低。

2023-09-15 19:54:24 629

weixin_51473374的博客