时空数据挖掘 | ICLR/AAAI/NeurIPS等 | 气象领域相关数据集及最新模型-论文笔记-...

正文

请到「今天看啥」查看全文

数据集的空间分辨率为 1.5°，同时提供了将数据处理为更高分辨率（如 0.25°）的脚本

3.WeatherGFM: Learning a Weather Generalist Foundation Model via In-context Learning

• 链接： https://openreview.net/pdf?id=v2zcCDYMok
• 发表：ICLR 2025
• 时间：2025.1.22

解决问题： 现有的天气模型通常针对单一任务（如天气预报）设计，无法统一处理多模态、多任务的复杂天气理解问题，且受限于数据规模和泛化能力。

直观想法： 用统一的模型结构和提示机制，让模型通过上下文示例自动识别任务类型并生成目标输出。以统一方式处理 12 种以上天气任务（如预报、超分辨率、图像翻译等）

模型结构：

1. 1. 统一任务表示 ：将天气任务抽象为输入到输出的映射（低分辨率→高分辨率、历史序列→未来序列），通过不同 prompt 区分任务类型。
2. 2. 天气提示设计 ：针对不同模态数据（如卫星图像、雷达序列）设计三类提示（单模态、跨模态、时序）
3. 3. 混合模态掩码建模 ：基于 Vision Transformer 架构，采用掩码建模技术联合训练多任务，通过视觉问答范式（输入提示对 + 查询输入 → 预测目标）优化模型。
4. 4. 可扩展架构 ：引入任务特定的嵌入层和跨模态注意力机制，支持灵活扩展新任务和模态。
5. 
   

4.Continuous Ensemble Weather Forecasting with Diffusion models

• 链接： https://openreview.net/pdf?id=ePEZvQNFDW
• 发表：ICLR 2025
• 时间：2024.10.10

解决问题：

• 一方面，实现高效的连续预报。
• 另一方面，传统的扩散模型计算开销大，且在高时间分辨率下多次 roll out 累积误差

直观想法： 受扩散模型生成连续数据的启发，通过 控制噪声源的关联性 生成时间一致的预报轨迹

模型结构：

1. 1.

请到「今天看啥」查看全文