Generative AI-Downscaling of Large Ensembles Project Unprecedented Future Droughts
本研究利用生成式AI将20个全球气候模型的大型集合降尺度至12公里，预测新西兰未来干旱将更剧烈，极端干旱持续时间可达较小集合的两倍，高排放情景下部分地区干旱事件长约30个月。
2025-09-26 physics.ao-ph
Transformer-based Diffusion models for Hydrological Time Series Probabilistic Imputation and Forecasting
INRAE（法国国家农业、食品与环境研究院）；ANDRA（法国国家放射性废物管理局）
研究探讨基于Transformer的扩散模型在水文时间序列模拟和重建中的应用，将其用于法国东北部多地点水量和水质联合建模，经校准验证后与其他方法比较，结果支持该方法有效性，凸显其捕捉复杂模式能力。
2026-07-24 cs.LG stat.ML
Hydrological time series forecasting using simple combinations: Big data testing and investigations on one-year ahead river flow predictability
National Technical University of Athens（雅典国家技术大学）；Hellenic Air Force（希腊空军）
提供有用的水文预报对于城市和农业用水管理、水力发电、洪水保护和管理、减轻和缓解干旱以及河流流域规划和管理等至关重要。在这项工作中，我们提出和评估一个新的简单而灵活的水文时间序列预测方法。这种方法依赖于（a）至少两种单独的预测方法和（b）预测的中值组合。该评价是通过使用一个大的数据集，包括90年的平均年径流量的时间序列，从大约600站。这些监测站覆盖北美和欧洲的大部分地区，代表了各种气候和集水特征，因此可以共同支持基准测试。对每个时间序列应用了五种单独的预测方法和26种所介绍方法的变体。应用是在一步提前预测模式。个别方法是最后一次观察基准，简单指数平滑，复杂指数平滑，自动自回归分数积分移动平均（ARFIMA）和Facebook的先知，而26种变体是由上述五种方法的所有可能组合（每两种，三种，四种或五种）定义的。新的方法被确定为长期表现良好，特别是当两个以上的个人预测方法结合在其框架内。此外，在系统框架内的不同的水文预报方法的情况下知情的集成的可能性进行了算法研究和讨论。相关的调查包括线性回归分析，其目的是找到一个有代表性的预测性能指标的值和选定的河流流量统计值之间的可解释的关系.
2020-08-18 cs.LG stat.AP stat.ME
Pix2Streams: Dynamic Hydrology Maps from Satellite-LiDAR Fusion
Frontier Development Lab（前沿发展实验室）；University of Valencia（瓦伦西亚大学）；Arizona State University（亚利桑那州立大学）；NASA Ames Research Center（美国国家航空航天局艾姆斯研究中心）；USGS（美国地质调查局）；RSS-Hydro；University of Bristol（布里斯托尔大学）；University of Oxford（牛津大学）
地球上的河流现在流向哪里？内陆地表水会随着洪水而扩大，随着干旱而缩小，所以我们的河流没有一张地图。目前的卫星方法仅限于每月观测，只绘制最宽的溪流。这些都是由较小的支流，构成了大部分的树枝状表面网络，但其流量是不可观察的。一张完整的日常水域地图可以给我们一个干旱发生的早期预警：流动网络的后退尖端。多年来绘制它们可以给我们一张关于我们水域无常的地图，显示哪里可以期待水，哪里不可以。为此，我们将最新的高分辨率传感器数据输入到多个深度学习模型中，以便每天绘制这些流动的网络，并将多年的时间序列图叠加起来。具体地，i）我们将水分割增强到$50$ cm/像素分辨率，比先前的最先进的结果提高了60 $\times$。我们在30- 40 cm WorldView 3图像上训练的U-Net可以检测到1- 3 m（SOTA上30-60 $\times$）的窄流。我们的多传感器、多分辨率变体WasserNetz将3米PlanetScope图像的多日窗口与1米LiDAR数据相融合，以检测5- 7米宽的溪流。两个U型网都在像素级上生成水概率图。ii）我们将此水地图集成到DEM衍生的合成流域网络地图上，以生成河流水位的流量快照。iii）我们将这个管道（我们称之为Pix 2Streams）应用于美国三个流域的2年每日PlanetScope时间序列，以产生第一个高保真的水流频率动态地图。最终的结果是一个新的地图，如…
2020-11-15 cs.CV cs.LG eess.IV
Analysis of Hydrological and Suspended Sediment Events from Mad River Watershed using Multivariate Time Series Clustering
University of Vermont（佛蒙特大学）
水文风暴事件是输送水质成分（如浊度、悬浮沉积物和营养物）的主要驱动力。分析这些水质成分的浓度（C），以响应增加的径流排放量（Q），特别是在高时间分辨率监测期间的水文事件，有助于表征这些成分的动态和通量。风暴事件分析的传统方法是将C-Q时间序列简化为二维（2-D）滞后回线并分析这些2-D模式。虽然在某种程度上是有效的和信息丰富的，但是这种滞后环方法具有局限性，因为将C-Q时间序列投影到2-D平面上模糊了细节（例如，时间变化）与C-Q关系相关联。在本文中，我们使用多变量时间序列聚类方法来解决这个问题。聚类应用于序列的河流流量和悬浮泥沙数据（通过基于浊度的监测获得）从位于美国东北部的尚普兰湖盆地的六个流域。虽然集群的水文风暴事件使用多元时间序列的方法被发现是相关的2-D滞后回线分类和流域的位置，集群不同的2-D滞后分类。此外，使用现有的气象数据与风暴事件，我们研究的研究流域风暴事件的计算集群的特点，并确定驱动聚类方法的功能。
2020-03-20 cs.LG stat.ML
A New Weighting Scheme in Weighted Markov Model for Predicting the Probability of Drought Episodes
干旱是由降雨量长期不足引起的一种复杂的随机自然灾害。在确定具体监测站的干旱等级时涉及若干环境因素。因此，需要有效的序列处理技术来探索和预测干旱类的各种事件的周期性信息。在这项研究中，我们提出了一个新的加权方案来预测加权马尔可夫链（WMC）模型下的各种干旱类的概率。我们提供了一个标准化的计划，权重的干旱分类的有序序列归一化平方加权科恩卡帕。所提出的方案的说明，包括时间顺序数据确定的标准化降水温度指数（SPTI）的干旱类。实验结果表明，WMC模型的加权方案是足够灵活的，以解决干旱分类的实际变化，通过重组的瞬态行为的马尔可夫链。总之，本文提出了一种新的加权方案，以提高WMC的精度，特别是在水文领域。
2019-01-18 physics.ao-ph stat.AP
Impacts of climate change on groundwater droughts by means of standardized indices and regional climate models
本文利用区域预测和标准化指标（标准化降水指数（SPI）、标准化降水蒸散指数（SPEI）和标准化地下水指数（SGI））研究了气候变化对地下水干旱的影响。所采用的方法，使用历史降水和温度数据和监测井中收集的水位，首先调查气象和地下水指数在每个井之间可能存在的相关性。然后，如果存在相关性，则使用线性回归分析来模拟SGI和SPI以及SGI和SPEI之间的关系。同样的关系被用来推断未来的SGI从SPI和SPEI预测获得的区域气候模式（RCMs）的集合，在不同的气候情景（RCP 4.5和RCP 8.5）。这种方法已被应用于在托斯卡纳（意大利），在历史系列的每日气候变量（自1934年以来）和每日记录的16口井，涵盖2005年至2020年期间收集的数据。计算了短期（2006-2035）、中期（2036-2065）和长期（2066-2095）对地下水的影响。分析表明，在历史时期内，绝大多数监测井的SGI与SPI或SPEI具有较好的相关性。在全球变暖的情景下，温度对蒸散现象的影响不容忽视，因此SGI-SPEI关系似乎更适合于预测地下水干旱。根据这些关系，在几乎所有的井地下水水位的负面影响估计为未来由于所需的数据类型和它的简单性，这种方法可以应用到不同的利益在气候变化情景下的地下水可用性的快速估计领域。
2022-02-08 physics.ao-ph physics.data-an
Post-processing multi-ensemble temperature and precipitation forecasts through an Exchangeable Gamma Normal model and its Tobit extension
气象集合是由气象中心提供的未来天气情景的集合。这种集合形成了概率预测的有价值信息的主要来源，其目的是产生感兴趣的量的预测概率分布，而不是单个最佳猜测估计。不幸的是，在没有初步的后处理处理来校准系综的情况下，系综通常不能被认为是来自这种预测概率分布的样本。在文献中可以找到两个主要的后处理方法家族，或者是竞争的，如BMA，或者是合作的，如EMOS。本文提出了一个属于合作家族的混合效应模型。该模型的结构是基于假设下的集合成员的重新标记的不变性。其有趣的特点如下：1）交换，这有助于简约，与潜在的枢纽变量综合的基本气象特征的集合，2）多集合的实施，允许利用各种信息，以提高预测程序的清晰度。重点是投到正常的统计结构，首先与温度的直接应用程序，然后与它的Tobit扩展降水。推理是由期望最大化算法与追索权的随机条件模拟降水的情况下。在人工数据上检查其良好的行为后，建议的后处理技术被应用于由Hydro-Qu $é$ bec管理的五个流域的温度和降水集合预报。这些集合预报是从THORPEX交互式全球大联盟（TIGGE）数据库中提取的。结果表明，后处理的合奏校准，一般比原始合奏更清晰。
2019-03-05 stat.AP
Investigation Of The Hydro-Meteorological Hazards Along The Bulgarian Coast Of The Black Sea By Reconstructions Of Historical Storms
极端海洋风暴期间的水文气象参数信息对于沿海地区洪水风险背景下的可持续发展具有重要意义。通常，对极端风、浪和风暴潮的仪器测量缺乏足够长的历史。历史风暴模拟是评估海岸带潜在灾害的重要工具。在缺乏测量数据的情况下，后报可以满足对历史数据的需要。对1972-2012年期间黑海保加利亚海岸的10个最严重风暴进行了波浪和风暴潮区域数值模拟。采用高分辨率大气模式ALADIN，将ERA-Interim和ERA-40对10米处风和平均海平面气压的再分析缩小到适合于精确评估风暴期间水文气象参数的水平和时间尺度。风场和海平面气压的降尺度场被用作波浪和风暴潮模型的输入。
2015-09-28 physics.ao-ph
Deep Learning for Hydroelectric Optimization: Generating Long-Term River Discharge Scenarios with Ensemble Forecasts from Global Circulation Models
PSR Energy Consulting（PSR能源咨询公司）
针对水电优化中河流流量预测受限于气候变率与数据不足的问题，提出基于改进循环神经网络的框架，利用全球环流模型投影生成参数化概率分布，有效提升了长期流量情景预测的准确性与泛化能力。
2024-12-16 cs.LG eess.SP stat.ML
A functional autoregressive model based on exogenous hydrometeorological variables for river flow prediction
本研究以河川流量时间序列为研究对象，提出一个功能性时间序列模型来预测河川流量的未来实现。该模型是建立在一个功能性时间序列的相关滞后和基本的外生气候变量的基础上。降雨量，温度和蒸发量的变量被假设有大量的功能，在河流流量模拟。由于实际的时间序列模型是不确定的，并且输入变量对学习过程的重要性在实践中是未知的，因此采用变量选择过程来仅确定模型的重要变量。提出了一种非参数Bootstrap模型来研究预测的不确定性，并构造了河流流量曲线时间序列的逐点预测区间。历史数据集在三个气象站（摩苏尔，巴格达和库特）位于半干旱地区，伊拉克，用于模型开发。对现有的功能和传统的时间序列模型的预测性能进行了验证。数值分析表明，该模型提供了竞争力，甚至更好的性能比基准模型。此外，纳入外生气候变量大大提高了模拟的可预测性性能。总的来说，该模型表明了一个可靠的方法来模拟半干旱地区的河流流量。
2021-04-26 stat.AP stat.ME
An Autoencoder-based Snow Drought Index
University of Nebraska-Lincoln（内布拉斯加大学林肯分校）；National Drought Mitigation Center, University of Nebraska-Lincoln（内布拉斯加大学林肯分校国家干旱减灾中心）
提出基于自编码器与互信息的雪旱指数SnoDRI，利用随机森林提取特征，基于1981-2021年NLDAS-2数据验证其识别和量化雪旱事件的有效性。
2023-05-23 cs.LG physics.ao-ph
Generative climate downscaling enables high-resolution compound risk assessment by preserving multivariate dependencies
Toyota Central R&D Labs., Inc.（电产中央研究所）；National Institute for Environmental Studies（环境研究国立研究所）
本文提出一种基于扩散的多变量生成框架，通过降尺度提升多变量依赖关系，提高复合风险评估的准确性。
2026-05-12 cs.LG physics.ao-ph stat.AP
Causality in extremes of time series
针对重尾时间序列，提出基于因果尾部系数的框架，从极端事件中检测非对称因果关系，可处理非线性与潜在变量，适用于大样本，并在空间天气和水文气象数据上验证。
2023-08-31 math.ST stat.TH
Update hydrological states or meteorological forcings? Comparing data assimilation methods for differentiable hydrologic models
The Pennsylvania State University（宾夕法尼亚州立大学）
本研究比较了可微分水文模型的数据同化方法，开发了变分同化方案，通过同时调整降水和内部状态，将提前一天预报的NSE从0.75提升至0.82，且无需训练数据，适用于河网。
2025-02-23 cs.LG physics.ao-ph physics.flu-dyn
A Branched Deep Convolutional Network for Forecasting the Occurrence of Hazes in Paris using Meteorological Maps with Different Characteristic Spatial Scales
该研究开发了一种分支深度卷积网络，利用多年代际气象图预测巴黎雾霾发生，通过保留不同输入特征的空间信息，在验证和盲测中均取得合理性能。
2023-10-16 cs.LG physics.ao-ph
Minimal effect of prescribed burning on fire spread rate and intensity in savanna ecosystems
几千年来，火一直是地球不可或缺的一部分。最近的几次野火在空间和时间上都表现出前所未有的范围，国家消防能力无法控制。规定或控制燃烧治疗作为一种潜在的措施，改善野火的蔓延和强度进行了辩论。使用随机森林的机器学习分析是在一个时空数据集中进行的，该数据集包括22年来的大量稀树草原火灾。结果表明，火灾返回间隔是不是一个重要的预测火灾蔓延速度或火灾强度，具有3.5%的特征重要性，在其他八个预测变量。操纵烧伤季节性表现出6%或更低的火灾蔓延率或火灾强度的功能重要性。虽然操纵火灾返回间隔和季节性调节火灾蔓延速度和强度，其整体效果较低的气象（水文和气候）变量相比。关于火蔓延率具有最高特征重要性的变量导致燃料湿度为21%，相对湿度为15%，风速为14%，去年降雨量为14%。与火灾强度相关的最高特征重要性的变量包括燃料负荷（21.5%）、燃料水分（16.5%）、相对湿度（12.5%）、空气温度（12.5%）和降雨量（12.5%）。预测火灾蔓延率和强度一直是一个穷人的努力，到目前为止，我们表明，更多的数据已经监测到的变量不会导致更高的预测精度。
2021-01-29 q-bio.PE q-bio.QM stat.AP
PCSDiff: Diffusion-Based Bias Correction and Super Resolution Toward Practical Operational Medium-Term Precipitation Forecast
Tsinghua University（清华大学）；Huawei Technologies Co., Ltd（华为技术有限公司）；ETH Zürich（苏黎世联邦理工学院）；Beijing Forestry University（北京林业大学）；National Climate Centre, China Meteorological Administration（中国气象局国家气候中心）；National Institute of Natural Hazards, Ministry of Emergency Management of China（中国应急管理部国家自然灾害防治研究院）
针对中期降水预报的偏差、误差累积和分辨率不足问题，提出级联任务解耦扩散框架PCSDiff，集成PIMD模块与两阶段条件扩散超分辨率，显著降低RMSE并提升ACC，实现低延迟业务滚动预报。
2026-09-09 cs.AI cs.LG physics.ao-ph
METBRA25Y: Brazil Surface Meteorology Archive with Harmonized Variables and Quality Control
São Paulo State University (UNESP)（圣保罗州立大学）；HairU Serviços e Tecnologia LTDA（HairU服务与技术有限公司）；RECOD.ai, University of Campinas (UNICAMP)（RECOD.ai，坎皮纳斯大学）
本文介绍了METBRA25Y数据集，通过整合巴西INMET的公共历史记录，提供标准化变量和质量控制的小时级地表气象观测数据，支持环境、气候、水文等研究。
2026-05-09 cs.LG physics.ao-ph
Global soil moisture from in-situ measurements using machine learning -- SoMo.ml
Max Planck Institute for Biogeochemistry（马克斯·普朗克生物地球化学研究所）
虽然土壤湿度信息对于广泛的水文和气候应用至关重要，但空间连续的土壤湿度数据只能通过卫星观测或模型模拟获得。在这里，我们提出了一个全球性的，长期的土壤水分数据集，从现场测量使用机器学习，SoMo.ml。我们训练长短期记忆（LSTM）模型，根据从全球1，000多个站点收集的现场数据，在空间和时间上推断每日土壤水分动态。SoMo.ml提供了2000-2019年期间0.25°空间和每日时间分辨率的多层土壤湿度数据（0-10 cm、10-30 cm和30-50 cm）。通过与现有土壤水分数据集的交叉验证和相互比较来评估所得到的数据集的性能。SoMo.ml在时间动态方面表现得特别好，这使得它对于需要随时间变化的土壤湿度的应用特别有用，例如异常检测和记忆分析。SoMo.ml补充了现有的一套模型化和基于卫星的数据集，因为它具有独立和新颖的来源，以支持大规模的水文，气象和生态分析。
2020-10-05 cs.LG physics.ao-ph
Lagrangian Drifter Path Identification and Prediction: SINDy vs Neural ODE
本研究比较了SINDy与神经ODE在开放海洋拉格朗日浮标路径识别中的性能，发现SINDy能更准确一致地预测路径，并探讨了其在搜救任务中的应用潜力。
2024-11-08 physics.ao-ph
Statistical Postprocessing for Weather Forecasts -- Review, Challenges and Avenues in a Big Data World
统计后处理技术是当今许多国家气象局（NMS）预报套件的关键组成部分，其中大多数的目标是纠正不同类型的错误对预报的影响。最终目标是为最终用户提供最佳、自动化、无缝的预测。许多技术现在在统计、气象、气候、水文和工程界蓬勃发展。这些方法的复杂性从简单的偏差校正到非常复杂的分布调整技术，这些技术包括预后变量之间的相关性。本文试图总结这一领域的主要活动，从理论发展到业务应用，重点放在当前的挑战和潜在的途径在该领域。这些挑战包括：NMS转向运行千米尺度的集合数值天气预报系统，该系统产生非常大的数据集，需要高密度高质量的观测;必须保持高维校正场的时空相关性;需要减少影响校正参数的模型变化的影响;技术的必要性，以合并不同类型的预测和不同行为的合奏;最后，转移统计后处理的研究业务的能力。还将讨论潜在的新途径。
2020-04-14 physics.ao-ph stat.AP
Improving prediction of the terrestrial water storage anomalies during the GRACE and GRACE-FO gap with Bayesian convolutional neural networks
Nanjing University（南京大学）；China University of Geosciences (Wuhan)（中国地质大学（武汉））；Nanjing Hydraulic Research Institute（南京水利科学研究院）；Institute of Geodesy and Geophysics, Innovation Academy for Precision Measurement Science and Technology, Chinese Academy of Sciences（中国科学院精密测量科学与技术创新研究院大地测量与地球物理研究所）；Sun Yat-Sen University（中山大学）
重力恢复和气候实验（GRACE）卫星及其后继卫星GRACE Follow-On（GRACE-FO）在全球范围内提供了对陆地水储存异常（TWSAs）的宝贵和准确的观测。然而，在GRACE和GRACE-FO之间存在大约一年的观测间隔。这对实际应用提出了挑战，因为TWSA观测的不连续性可能会在水文模型预测中引入显著的偏差和不确定性，从而误导决策。为了应对这一挑战，本研究提出了一种由气候资料驱动的贝叶斯卷积神经网络（BCNN），以在全球范围内弥合这一差距。通过整合深度学习的最新进展，包括注意力机制以及剩余和密集连接，BCNN可以自动有效地从多源输入数据中提取TWSA预测的重要特征。预测的TWSA相比，水文模型输出和三个最近的TWSA预测产品。比较表明，BCNN在提供改进的预测TWSAs在间隙，特别是在相对干旱的地区的优越性能。通过与降水距平、干旱指数、地下水/地表水水位的比较，进一步讨论并综合论证了BCNN识别空窗期极端干湿事件的能力。结果表明，BCNN能够提供一个可靠的解决方案，以保持TWSA数据的连续性，并量化气候极端的影响，在差距。
2021-03-07 cs.LG physics.ao-ph
A wave prediction system for real time sea state forecasting in Black Sea
本文简要介绍了黑海现有的风浪预报业务系统。它是一个大气和波浪耦合数值模式系统，目的是在业务水平上进行详细和准确的海况预报。该系统是在保加利亚科学院国家气象和水文研究所（NIMH-BAS）与法国气象局合作创建的。目前的工作介绍了使用波模型在NIMH-BAS和显示的模型结果，以及相互比较。法国气象局、NCEP和WAMDI研究小组开发的数值波浪模型VAG、WAVEWATCH III和WAM已被用于黑海地区，并在NIMH-BAS实施，以便对黑海的波浪进行实时预报和后报。利用两个大气模式ARPEGE和ALADIN的耦合来强迫波模式。实际应用表明，该系统适用于一般用途，效果基本满意。通过与高度计卫星测量值的比较，波模型进行了评估。模式结果与ERS 1/2和ENVISAT卫星高度计资料的比较表明，模式较好地再现了观测到的波浪特征。
2012-12-10 physics.ao-ph
Bias Correction of Operational Storm Surge Forecasts Using Neural Networks
针对挪威沿岸业务化风暴潮预报误差较大的问题，提出基于残差学习的神经网络校正方法，可显著降低短时效预报误差，且易于业务化部署。
2023-12-18 physics.ao-ph
Using Long Short-term Memory (LSTM) to merge precipitation data over mountainous area in Sierra Nevada
University of Oklahoma（俄克拉荷马大学）
本研究采用LSTM模型在小时尺度上融合雷达与卫星IMERG降水产品，发现其虽低估了雨量计观测值，但有效捕捉了时间趋势且优于MRMS，表明需结合偏差校正与额外气象数据以提升可靠性。
2024-04-19 cs.AI cs.LG physics.ao-ph
