第二届世界科学智能大赛地球科学赛道：AI极端降水预报

第二次

part1部分

学习到了jupyterlab中的执行pip的命令。
了解并实践了数据的加载方式，理解了给出的加载数据的代码
在数据集的定义，数据集中数据和标签之间的对应的逻辑也好像明白了。
对于模型部分，只能说短时间恐怕难以弄懂。不过对于代码给出的部分，在表面上大概知道每一行都是什么意思，不过自己重新构建一个模型还是不可能的。
总体来说，第一部分主要是对代码的进一步解释，结合直播的内容，我对代码这部分的理解只能说是如懂。希望之后的学习可以看懂更多。

part2部分 伏羲大模型初探

在这部分主要介绍了伏羲模型的一些基础的东西。

• 模型采用独特的级联架构，能够提供长达15天的全球预报，拥有6小时的时间分辨率和0.25°的空间分辨率
• FuXi模型是一个自回归模型，它采用前两个时间步的天气参数（𝑋𝑡−1,𝑋𝑡）作为输入，进而预测下一个时间步（𝑋𝑡+1）的天气参数
• 使用单个FuXi模型生成15天的预报，需要进行60次迭代运行。
• 伏羲模型是基于物理原理的数值天气预报（NWP）模型不同，纯数据驱动的机器学习（ML）模型缺乏物理限制，这可能会导致长期预报的误差显著增加，甚至产生不切实际的预测结果。然而，通过采用自回归多步损失函数，可以有效减少长期预报过程中的累积误差。
• 伏羲模型为了提升短期和长期预报的性能，提出了一个使用预训练FuXi模型的级联模型架构，该架构针对特定的5天预报时间窗口进行精细调整，以实现最优性能。
  上边的这些特性让我确实感到了伏羲模型的强大，针对这些使用的方法和原理，感觉我应该是搞不懂了。

part3部分 时间序列分析入门

这部分介绍了多种模型的特点和局限性，
比如自回归模型，移动平均模型，自回归滑动平均模型，自回归积分滑动平均模型，循环神经网络，长短记忆网络以及最后的transformer，基于对时间序列的处理上，这部分对这些模型进行了分析，我从字面意思上了解了大概的意思。不过对这部分理解上肯定是不可能的。
在思路上，我的理解是因为我们的极端降水预报是由于数据是有时间上的影响的，所以对模型时间上的处理关系上有一定的要求。前边的模型AR，MA，ARMA等因为在大尺度，长时间的处理上的预测精度不好；中间的RNN对各个时间都是相同的影响，LSTM加入记忆单元和以往来控制时间信息的遗忘；最后的transformers模型的注意力机制可以在全局建模时间序列中某个时间节点和其他时间节点的关系和它的 强大 的拟合能力和良好的可并行计算，所以接受度更高。