腾讯云开发者社区-腾讯云

开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

MeteoAI

专栏作者

112

文章

455439

阅读量

228

订阅数

npj | ESA-ECMWF: 机器学习在地球系统观测和预测方面应用的最新进展和研究方向

神经网络机器学习深度学习监督学习迁移学习

Schneider, R., Bonavita, M., Geer, A. et al. ESA-ECMWF Report on recent progress and research directions in machine learning for Earth System observation and prediction. npj Clim Atmos Sci 5, 51 (2022). https://doi.org/10.1038/s41612-022-00269-z

2023-01-18

6340

录屏｜CESM机器学习研讨会

机器学习神经网络深度学习人工智能

上周一(6.14)第26届CESM年会召开，此次年会通过线上举办，为期4天，其中包括了CESM机器学习专题。

2021-07-01

4320

学习资源 | NOAA+AI—使用AI和ML方法处理环境领域数据、图像、信号

机器学习深度学习人工智能神经网络

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。

2020-12-22

4790

机器学习模型成为NASA最新预测飓风强度的背后技术

机器学习神经网络深度学习人工智能 https

全球各地有少部分地区一直在遭受来自飓风和强热带气旋的不利影响，研究人员和科学家们为此必须开发一种方法来预测和分析这些飓风类型特征。因此，为了预测未来的飓风强度，美国宇航局位于南加州的喷气推进实验室的科学家们提出了一种机器学习模型，声称可以准确预测飓风未来的快速强度事件。

2020-09-21

9810

交子杯 - 2020 - AI赛道 - TOP1

机器学习神经网络深度学习人工智能

陆陆续续两个月的赛程结束了，从初赛A榜27到B榜第4，再到决赛A，B双榜第一，有过断断续续排名下降即将无缘现场决赛的失落，也有过现场决赛等待被超越的12小时，心情跌到起伏像极了今年来的股市。

2020-09-01

6300

关注专栏作者，随时接收最新技术干货

MeteoAI

郭好奇同学

好奇心Log

南京大学博士生

复合型极端气候：机器学习，统计方法和动力模拟

网站 es 机器学习神经网络深度学习

最近Frontiers in Earth Science期刊组织一个专刊/专题 “复合型极端气候：机器学习，统计方法和动力模拟”。主要关注洪水，干旱，热浪，极端降水，风暴潮，飓风/台风等自然灾害存在同时发生或者依次发生的现象。请见这个专题的链接[1]

2020-07-15

6450

【时空序列预测第六篇】时空序列预测模型之EIDETIC 3D LSTM（结合3DConv与RNN）

图像处理机器学习神经网络深度学习人工智能

这是ICLR2019年的一篇paper，来自于清华的王同学与李飞飞实验室的合作paper。

2020-06-19

1.4K0

【时空序列预测实战】风险时空预测？keras之ConvLSTM实战来搞定

机器学习神经网络深度学习人工智能

毕设临近截止，故写一篇心得以供新手学习，理论在知乎上有很多介绍的不错的文章，这里强烈推荐微信公众号：AI蜗牛车，这位东南老哥写了时空预测系列文章，能够帮助了解时空领域模型的演变，同时也向他请教了一些训练技巧。我的本科毕设大概是这样的：先计算某个区域的风险，计算得到一段时间的风险矩阵，这里用的是自己的模型去计算的，数据如何生成，本文不做赘述，主要讲解如果通过每个时刻下的矩阵数据去预测未来的矩阵。

2020-06-19

2.5K0

Deecamp 夏令营 AI 降水预测总结

机器学习神经网络人工智能 .net

本文作者是气科院2020届硕士生方祖亮同学，这篇文章是他参加Deecamp夏令营的一个总结。方祖亮同学本科毕业于兰州大学，目前在气科院读研三，师从俞小鼎和王秀明老师，研究方向为中小尺度气象。他热衷关注机器学习和深度学习方面的内容，探索AI在气象领域应用，也有着较为丰富的算法实习经历，关键长得还帅气！各位HR小姐姐们赶紧聊一波了~ 还不赶紧私信我们要联系方式！

2019-09-09

2.4K0

Nature(2019)-地球系统科学领域的深度学习及其理解

网络安全 https 机器学习大数据神经网络

Machine learning approaches are increasingly used to extract patterns and insights from the ever-increasing stream of geospatial data, but current approaches may not be optimal when system behaviour is dominated by spatial or temporal context. Here, rather than amending classical machine learning, we argue that these contextual cues should be used as part of deep learning (an approach that is able to extract spatio-temporal features automatically) to gain further process understanding of Earth system science problems, improving the predictive ability of seasonal forecasting and modelling of long-range spatial connections across multiple timescales, for example. The next step will be a hybrid modelling approach, coupling physical process models with the versatility of data-driven machine learning.

2019-07-24

1.8K0

用机器学习应对气候变化？

机器学习神经网络深度学习人工智能

全球变暖、冰川消融、海平面上升、极端天气事件频发……人类的生存正在逐渐受到威胁。科学家们已经从很多不同的角度对气候变化进行了深入的研究，提出了很多应对气候变化的策略。除此之外，大家有没想过，近些年火遍各行各业的机器学习（ML）和人工智能（AI）可以与气候变化碰撞出什么样的火花呢？

2019-07-24

1.2K0

Keras系列（五） ConvLSTM 空间特征深度学习

机器学习神经网络深度学习人工智能

LSTM擅长时序数据的处理，但是如果时序数据是图像等三维图形来讲，因为有着丰富的空间信息并且每一个点和周围是有很强的相关性的，普通的LSTM很难刻画这种空间特征,于是在LSTM的基础上加上卷积操作捕捉空间特征，对于图像的特征提取会更加有效。

2019-07-24

10.5K1

PySpark 中的机器学习库

机器学习神经网络深度学习人工智能 api

传统的机器学习算法，由于技术和单机存储的限制，比如使用scikit-learn,只能在少量数据上使用。即以前的统计/机器学习依赖于数据抽样。但实际过程中样本往往很难做好随机，导致学习的模型不是很准确，在测试数据上的效果也可能不太好。随着 HDFS(Hadoop Distributed File System) 等分布式文件系统出现，存储海量数据已经成为可能。在全量数据上进行机器学习也成为了可能，这顺便也解决了统计随机性的问题。然而，由于 MapReduce 自身的限制，使得使用 MapReduce 来实现分布式机器学习算法非常耗时和消耗磁盘IO。因为通常情况下机器学习算法参数学习的过程都是迭代计算的，即本次计算的结果要作为下一次迭代的输入，这个过程中，如果使用 MapReduce，我们只能把中间结果存储磁盘，然后在下一次计算的时候从新读取，这对于迭代频发的算法显然是致命的性能瓶颈。引用官网一句话：Apache Spark™ is a unified analytics engine for large-scale data processing.Spark，是一种"One Stack to rule them all"的大数据计算框架，期望使用一个技术堆栈就完美地解决大数据领域的各种计算任务.

2019-07-24

3.3K0

机器学习·自动调参（Hyperopt）

编程算法 https 网络安全机器学习

从规则编程到机器学习，从人工调参到AutoML（meta-machine learning），一直是整个行业发展的趋势。目前机器学习的算法框架逐渐成熟，针对机器学习模型的自动调参算法也有很多，可以帮助我们摆脱手动调参的烦恼，目前主流的调参算法包括Grid search、Random search、TPE、PSO、SMAC以及贝叶斯调参等。目前有许多调参框架可以选择，本文简单介绍Hyperopt自动调参框架的设计和实现

2019-07-24

8.8K1

背向NCL，面向对象

python 数据处理编程算法机器学习

作为曾经地球科学领域最炙手可热脚本语言之一的NCL已经进入维护模式，不再更新。NCAR将使用Python作为地球科学领域的主要数据处理和可视化工具。

2019-07-24

2.4K0

Keras系列（4）LSTM的返回序列和返回状态的区别

机器学习神经网络深度学习人工智能

长期短期记忆（LSTM）是由三个内部闸(internal gates)所构建成的循环神经网络(recurrent neuralnetwork)。

2019-07-24

2.9K0

特征工程自动化之FeatureTools

机器学习神经网络深度学习人工智能 python

特征工程是指以已有的数据为基础，根据专业领域的知识和经验，构造新的特征，获取高效准确的模型的过程。该过程是机器学习的关键，大部分工作需要依靠人力，耗费时间和精力。

2019-07-24

2.1K0

从wrfout 提取站点数据

机器学习神经网络深度学习人工智能

数据准备是机器学习的基础，俗话说巧妇难为无米之炊，没有数据的机器学习就是耍流氓。

2019-07-22

8.5K4

机器学习实战之风功率预测

机器学习神经网络深度学习人工智能

目前机器学习与气象数据的结合已经在实际生产中有了应用，比如风电场风功率预测、光伏功率预测和负荷预测。本文以风功率预测作为一个小栗子：风功率预测是指以风电场的历史功率、历史风速、地形地貌、数值天气预报、风电机组运行状态等数据建立风电场输出功率的预测模型，以风速、功率或数值天气预报数据作为模型的输入，结合风电场机组的运行状态及运行工况，得到风电场未来的输出功率，预测时间尺度包括短期预测和超短期预测，目的是上报国家电网，利于国家电网调度。目前主流方案是结合数值天气预报和机器学习算法（LSTM、SVM等）对风功率进行时序预测，包含超短期预报（未来4个小时共16个时刻）和短期预报（未来三天共288个时刻）。本文主要利用WRF的气象要素预报数据和LSTM算法进行风功率预测。

2019-07-22

5.6K8

Keras系列（二）建模流程

数据处理深度学习神经网络机器学习人工智能

从上图可以看出，训练神经网络是一个迭代的过程，输入X经过层的变化后，预测值与真实目标值在损失函数下计算出损失值，再通过优化器重新学习更新权重，经过N轮迭代后停止权重更新，也就确定了模型。

2019-07-22

1.4K0

点击加载更多

社区活动

腾讯技术创作狂欢月

“码”上创作 21 天，分 10000 元奖品池！

Python精品学习库

代码在线跑，知识轻松学

博客搬家 | 分享价值百万资源包

自行/邀约他人一键搬运博客，速成社区影响力并领取好礼

技术创作特训营·精选知识专栏

往期视频·千货材料·成员作品最新动态