Media is too big
VIEW IN TELEGRAM
Как спутники TROPICS следили за ураганом “Хелен”
Американские спутники группировки TROPICS наблюдали за ураганом “Хелен” (Helene) на протяжении всего его жизненного цикла. Собранные данные показывают 📹, как тропическая депрессия сформировалась в ураган 4-й категории*, который обрушился на Флориду. Затем ураган продолжил движение вглубь США, постепенно ослабевая до уровня тропической депрессии, но при этом вызвал катастрофические наводнения в западной части штата Северная Каролина.
Миссия NASA TROPICS (Time-Resolved Observations of Precipitation structure and storm Intensity with a Constellation of Smallsats) состоит из четырех космических аппаратов форм-фактора CubeSat 3U, каждый из которых оснащен 12-канальным пассивным микроволновым радиометром. TROPICS обеспечивает съемку в диапазонах 91 и 205 ГГц, зондирование температуры в диапазоне 118 ГГц и зондирование влажности в диапазоне 183 ГГц. Пространственное разрешение в надире составляет около 27 км для температуры и 17 км для влажности и осадков, а ширина полосы обзора — около 2000 км. Основная научная цель миссии TROPICS — связать структуру температуры, влажности и осадков с эволюцией интенсивности тропических циклонов.
Наноспутники TROPICS измеряют температуру, влажность воздуха и осадки с пространственным разрешением, сопоставимым с разрешением современных “больших” микроволновых радиометров, но с беспрецедентным временным разрешением: среднее время повторного посещения составляет 60 минут.
TROPICS — это краткосрочная демонстрационная миссия, которая поддерживает концепцию метеорологических наблюдений с высокой периодичностью при помощи малых спутников. Подобные группировки малых спутников могут быть гораздо более экономически эффективными, чем их “большие” аналоги, а запуск группировки малых спутников может обеспечить более частое покрытие по сравнению с одиночным “большим” космическим аппаратом.
📖 Материалы семинара по совместному использованию данных TROPICS и CYGNSS — 2023 Joint Applications Workshop on NASA's TROPICS and CYGNSS Satellite Missions.
*См. шкалу ураганов Саффира — Симпсона.
#микроволны #погода #GNSSR
Американские спутники группировки TROPICS наблюдали за ураганом “Хелен” (Helene) на протяжении всего его жизненного цикла. Собранные данные показывают 📹, как тропическая депрессия сформировалась в ураган 4-й категории*, который обрушился на Флориду. Затем ураган продолжил движение вглубь США, постепенно ослабевая до уровня тропической депрессии, но при этом вызвал катастрофические наводнения в западной части штата Северная Каролина.
Миссия NASA TROPICS (Time-Resolved Observations of Precipitation structure and storm Intensity with a Constellation of Smallsats) состоит из четырех космических аппаратов форм-фактора CubeSat 3U, каждый из которых оснащен 12-канальным пассивным микроволновым радиометром. TROPICS обеспечивает съемку в диапазонах 91 и 205 ГГц, зондирование температуры в диапазоне 118 ГГц и зондирование влажности в диапазоне 183 ГГц. Пространственное разрешение в надире составляет около 27 км для температуры и 17 км для влажности и осадков, а ширина полосы обзора — около 2000 км. Основная научная цель миссии TROPICS — связать структуру температуры, влажности и осадков с эволюцией интенсивности тропических циклонов.
Наноспутники TROPICS измеряют температуру, влажность воздуха и осадки с пространственным разрешением, сопоставимым с разрешением современных “больших” микроволновых радиометров, но с беспрецедентным временным разрешением: среднее время повторного посещения составляет 60 минут.
TROPICS — это краткосрочная демонстрационная миссия, которая поддерживает концепцию метеорологических наблюдений с высокой периодичностью при помощи малых спутников. Подобные группировки малых спутников могут быть гораздо более экономически эффективными, чем их “большие” аналоги, а запуск группировки малых спутников может обеспечить более частое покрытие по сравнению с одиночным “большим” космическим аппаратом.
📖 Материалы семинара по совместному использованию данных TROPICS и CYGNSS — 2023 Joint Applications Workshop on NASA's TROPICS and CYGNSS Satellite Missions.
*См. шкалу ураганов Саффира — Симпсона.
#микроволны #погода #GNSSR
👍4✍1❤1
Прогнозирование погоды с помощью моделей ИИ на основе открытых данных ECMWF
Команда специалистов системы прогнозирования погоды AIFS (Artificial Intelligence/Integrated Forecasting System) в Европейском центре среднесрочных прогнозов погоды (ECMWF) объявила, что теперь пользователи могут самостоятельно запускать модели прогноза погоды, использующие методы искусственного интеллекта (ИИ) и опирающиеся на открытые данные ECMWF.
Это позволит генерировать прогнозы на собственном компьютере пользователя, изучать методы прогнозирования с помощью ансамблей моделей и проводить сравнительный анализ моделей.
Установка python-пакетов традиционна:
Поддерживаются следующие модели прогнозирования погоды, использующие методы ИИ: Pangu-Weather, FourCastNet (версия 2), GraphCast, FuXi и Aurora.
В будущем ожидается поддержка системы AIFS. Пока можно получить готовые прогнозы, сделанные с помощью AIFS.
#погода #ИИ #python
Команда специалистов системы прогнозирования погоды AIFS (Artificial Intelligence/Integrated Forecasting System) в Европейском центре среднесрочных прогнозов погоды (ECMWF) объявила, что теперь пользователи могут самостоятельно запускать модели прогноза погоды, использующие методы искусственного интеллекта (ИИ) и опирающиеся на открытые данные ECMWF.
Это позволит генерировать прогнозы на собственном компьютере пользователя, изучать методы прогнозирования с помощью ансамблей моделей и проводить сравнительный анализ моделей.
Установка python-пакетов традиционна:
pip install ai-models
pip install ai-models-panguweather # Or another model
ai-models panguweather --input ecmwf-open-data
Поддерживаются следующие модели прогнозирования погоды, использующие методы ИИ: Pangu-Weather, FourCastNet (версия 2), GraphCast, FuXi и Aurora.
В будущем ожидается поддержка системы AIFS. Пока можно получить готовые прогнозы, сделанные с помощью AIFS.
#погода #ИИ #python
👍11🤔2🥰1
Обзор методов интерпретируемого машинного обучения для прогнозирования погоды и климата
В последнее время передовые модели машинного обучения достигли высокой точности прогнозирования погоды и климата. Большинство из этих моделей является “черными ящиками”: они выдают результаты, не позволяя пользователю заглянуть внутрь, чтобы разобраться, как именно был получен тот или иной прогноз. Поэтому важную роль приобретает развитие интерпретируемых методов машинного обучения.
В 📖 статье рассмотрены современные подходы к интерпретируемому машинному обучению, применяемые для метеорологических прогнозов. Подходы делятся на две группы: (1) методы интерпретации post-hoc, объясняющие предварительно обученные модели, такие как методы атрибуции на основе возмущений, теории игр и градиентные методы; (2) разработка интерпретируемых моделей с нуля с помощью таких архитектур, как ансамбли деревьев или объясняемые (explainable) нейронные сети. Коротко описан каждый метод, и то как именно он позволяет понять прогнозы, раскрывая метеорологические взаимосвязи, улавливаемые машинным обучением. В финале работы обсуждаются проблемы исследования и перспективы на будущее.
📖 Yang, R., Hu, J., Li, Z., Mu, J., Yu, T., Xia, J., Li, X., Dasgupta, A., & Xiong, H. (2024). Interpretable machine learning for weather and climate prediction: A review. Atmospheric Environment, 338, 120797. https://doi.org/10.1016/j.atmosenv.2024.120797
#нейронки #погода #ИИ #климат
В последнее время передовые модели машинного обучения достигли высокой точности прогнозирования погоды и климата. Большинство из этих моделей является “черными ящиками”: они выдают результаты, не позволяя пользователю заглянуть внутрь, чтобы разобраться, как именно был получен тот или иной прогноз. Поэтому важную роль приобретает развитие интерпретируемых методов машинного обучения.
В 📖 статье рассмотрены современные подходы к интерпретируемому машинному обучению, применяемые для метеорологических прогнозов. Подходы делятся на две группы: (1) методы интерпретации post-hoc, объясняющие предварительно обученные модели, такие как методы атрибуции на основе возмущений, теории игр и градиентные методы; (2) разработка интерпретируемых моделей с нуля с помощью таких архитектур, как ансамбли деревьев или объясняемые (explainable) нейронные сети. Коротко описан каждый метод, и то как именно он позволяет понять прогнозы, раскрывая метеорологические взаимосвязи, улавливаемые машинным обучением. В финале работы обсуждаются проблемы исследования и перспективы на будущее.
📖 Yang, R., Hu, J., Li, Z., Mu, J., Yu, T., Xia, J., Li, X., Dasgupta, A., & Xiong, H. (2024). Interpretable machine learning for weather and climate prediction: A review. Atmospheric Environment, 338, 120797. https://doi.org/10.1016/j.atmosenv.2024.120797
#нейронки #погода #ИИ #климат
👍7