学习资源 | NOAA连接AI与环境科学(十一)—降水、雷电、山洪、气溶胶等13个实际应用

背景动机

AI，机器学习/深度学习技术（包括深层神经网络，DNN）在许多领域和应用中取得了很大的进展，包括医药、自动驾驶、社交媒体、金融工业等。在私有领域，人工智能的准确性和可用性方面的惊人增长具有显著意义。人工智能在气象学和海洋学领域也取得了显著的进展。然而，直到最近，在环境科学领域只有很少的AI应用开发工作。 令人鼓舞的是，AI在这些领域的应用在不断增加，而且取得了令人鼓舞的结果，其中包括预测技能。随着卫星数据的不断增加以及社会依赖的增加，将会持续改善预报准确率和精度。来自高分辨率卫星和传感器，一系列新传感器，以及物联网背景下新观测设备的数据不断增加。这些数据的增加将给这些数据的应用带来极大的挑战，AI已经成为潜在的解决技术。

主要内容

1. 利用深度神经网络对绿色屋顶的径流进行建模。
2. 利用高级神经网络从对地静止卫星和IBTrACS数据中进行精细的热带气旋探测。
3. 加拿大阿尔伯塔省野火蔓延预测的像素化深度序列学习。
4. 利用深层超分辨率获得高分辨率的降水图像
5. 大西洋近海区域的雷电预测
6. 将海洋物理和生物地球化学特性与中层鱼类数量的空间分布联系起来。
7. 利用数据挖掘决策树法识别最佳火灾探测阈值。
8. 先进的深度学习算法在多信息源降水估算中的应用。
9. 使用随机森林分类器对GOES ABI进行低云检测。
10. 三维卷积深度学习用于沿海大雾预测。
11. 机器学习算法在山洪灾害预测中的应用验证。
12. 利用卷积神经网络对定量的降水估计。
13. 通过深度学习构建光谱表面反射率的关系来完善陆地上空的气溶胶光学深度检索:在Himawari-8上的应用。

资源获取

第十一期的视频资料获取，好奇心Log公众号后台回复NOAA11

Python地图可视化三大秘密武器

利器推荐 | 良心在线工具分享

教你预测北京雾霾，基于keras LSTMs的多变量时间序列预测

前沿解读｜神经网络气象应用的评估、挖掘和解释