| CorvusCorax 2021-01-21 11:45:49 | Развитие глобальной полулагранжевой модели
атмосферы ПЛАВ в 2009–2019 гг. http://method.meteorf.ru/publ/tr/tr374/05.pdf |
| CorvusCorax 2021-01-22 11:03:45 | Исходники разного софта, используемого в НОАА для обработки метеоданных (модельных и не только)
https://www.nco.ncep.noaa.gov/pmb/codes/nwprod/ |
| CorvusCorax 2021-07-19 15:31:39 | Встречаем Meteum 2.0 — первую технологию метеопрогноза, алгоритмы которой обучаются на сообщениях пользователей
https://habr.com/ru/company/yandex/blog/565238/ |
| CorvusCorax 2021-07-19 15:35:30 | И до кучи статья 2018 года:
Как Яндекс создал глобальный прогноз осадков с использованием радаров и спутников https://habr.com/ru/company/yandex/blog/425517/ |
| Ruxs 2021-07-19 15:37:31 | CorvusCorax
Как Вы оцениваете в данный момент качество наукастинга Яндекса? |
| CorvusCorax 2021-07-19 19:23:48 | Ruxs
Стало получше, по крайней мере по нашему региону. |
| met2 2021-09-30 13:59:47 | Это вам не Яндекс.Метиум — говнетиум :).
Товарищ подкинул ссылку на работу DeepMind, которая обучила нейросеть предсказывать время и место дождей. Прогноз 90 минут. Шо интересно, что DeepMind обучила свой ИИ работе с данными метерадара. Читайте https://habr.com/ru/news/t/580832/ Обученная модель для Великобритании доступна на гитхабе https://github.com/deepmind/deepmind-research/tree /master/nowcasting |
| Spasatel 2023-03-31 18:58:58 | Комплексный прогноз ГМЦ использует нейросетевые методы
https://meteoinfo.ru/images/misc/sovet/bykov/bykov _avtoreferat_2_sign.pdf |
| CorvusCorax 2023-04-01 14:35:09 | Spasatel
Спасибо. Тов. Быков ранее участвовал в Метеоклубе. Автор ряда статей, в частности об анализе и прогнозе конвективных осадков и явлений. |
| CorvusCorax 2023-04-21 14:25:55 | Учёные из ВШЭ и специалисты Школы анализа данных Яндекса разрабатывают нейросеть, предсказывающую климатическую аномалию
Алгоритм уже может предсказывать Эль-Ниньо (повышение температуры воды в Тихом океане) на 1,5 года вперед. Перепады температур способны вызывать лесные пожары, наводнения, засуху, неурожай и малярию в отдельных регионах мира. Если алгоритму удастся предсказывать аномалию раньше, это может решить множество экологических и социальных проблем, сообщили в пресс-службе платформы Yandex Cloud. https://www.rbc.ru/life/news/644002209a7947494e28d f65 |
| CorvusCorax 2026-01-18 06:52:54 | Calculations (metpy.calc)
Provide tools for unit-aware, meteorological calculations. https://unidata.github.io/MetPy/latest/api/generat ed/metpy.calc.html |
| CorvusCorax 2026-01-31 10:28:38 | https://github.com/NVIDIA/earth2studio |
| CorvusCorax 2026-01-31 10:30:38 | Demystifying Data-Driven Probabilistic Medium-Range Weather Forecasting
https://research.nvidia.com/publication/2026-01_de mystifying-data-driven-probabilistic-medium-range- weather-forecasting |
| CorvusCorax 2026-01-31 10:31:01 | Learning Accurate Storm-Scale Evolution from Observations
https://research.nvidia.com/publication/2026-01_le arning-accurate-storm-scale-evolution-observations |
| CorvusCorax 2026-01-31 10:31:27 | HealDA: Highlighting the importance of initial errors in end-to-end AI weather forecasts
https://research.nvidia.com/publication/2026-01_he alda-highlighting-importance-initial-errors-end-en d-ai-weather-forecasts |
| CorvusCorax 2026-01-31 10:31:51 | How to Unlock Local Detail in Coarse Climate Projections with NVIDIA Earth-2
https://developer.nvidia.com/blog/how-to-unlock-lo cal-detail-in-coarse-climate-projections-with-nvid ia-earth-2 |
| CorvusCorax 2026-02-01 05:42:43 | https://github.com/NOAA-EMC/FourCastNet |
| CorvusCorax 2026-02-01 06:00:15 | https://build.nvidia.com/nvidia/fourcastnet |
| CorvusCorax 2026-02-01 06:00:40 | https://200.su/fourcastnet.html |
| CorvusCorax 2026-02-01 06:05:25 | https://nvidia.github.io/earth2studio/modules/gene rated/models/px/earth2studio.models.px.Atlas.html |
| CorvusCorax 2026-02-01 06:24:40 | https://pypi.org/project/metnet3/ |
| CorvusCorax 2026-02-01 14:12:38 | https://github.com/google-deepmind/graphcast |
| CorvusCorax 2026-02-01 14:13:15 | https://microsoft.github.io/aurora/intro.html
https://github.com/microsoft/aurora?tab=readme-ov- file#getting-started |
| CorvusCorax 2026-02-08 04:32:19 | https://gmd.copernicus.org/articles/17/4837/2024/
https://github.com/fmidev/RoadSurf |
| CorvusCorax 2026-02-08 04:33:59 | Integrating METRo into a winter maintenance weather forecast system covering Finland, Sweden and Russia
https://sirwec.org/wp-content/uploads/2022/04/Hels inki-51.pdf |
| CorvusCorax 2026-02-08 04:34:28 | THE VALIDATION AND IMPROVEMENT OF
ROUTE-BASED ROAD WEATHER FORECASTS by DAVID STUART HAMMOND https://etheses.bham.ac.uk/id/eprint/1299/1/Hammon d_PhD_11.pdf |
| CorvusCorax 2026-02-08 04:36:28 | https://framagit.org/metroprojects/metro/-/wikis/A rticles_(METRo) |
| CorvusCorax 2026-05-01 04:20:00 | Как пояснил руководитель прогностического центра "Метео" Александр Шувалов, нейросети способны значительно повысить качество моделей атмосферы, но не могут преодолеть объективный порог точности при составлении краткосрочных прогнозов для конкретных локаций.
Современные алгоритмы, работающие по принципу генеративных видеосетей, уже демонстрируют способность детализировать метеокартину на восемь дней и выявлять температурные аномалии на месяц вперед. Основное преимущество ИИ заключается в его способности мгновенно обрабатывать колоссальные массивы исторических данных и находить скрытые зависимости в синоптических наблюдениях прошлых лет. Тем не менее, эксперт подчеркивает, что нейросети не производят принципиально новых знаний о физике атмосферы, а лишь выступают в роли сверхмощного инструмента статистического анализа. Подобные технологии позволяют метеорологам быстрее оценивать возможные отклонения от климатических норм, опираясь на колоссальный опыт задокументированных погодных сценариев. Специалист полагает, что развитие нейросетевых технологий приведет к триумфу метода аналогов, когда компьютер подбирает максимально похожие комбинации факторов из прошлого для оценки будущего. Как сообщается на сайте MoneyTimes, такой подход эффективен для предсказания общих трендов, но бессилен перед хаотичностью атмосферы на больших дистанциях. Ошибки в первичных данных имеют свойство накапливаться, превращая любой детальный расчет для конкретной точки в усредненное поле вероятностей после определенного временного горизонта. Откуда ИИ берет данные для своих прогнозов? Алгоритмы обучаются на многолетних архивах метеонаблюдений, включая данные со спутников, метеозондов и наземных станций за десятки лет. Почему прогнозы ИИ иногда оказываются точнее традиционных моделей? ИИ лучше справляется с распознаванием образов и локальных особенностей рельефа, которые классические численные модели могут учитывать недостаточно детально. |
| CorvusCorax 2026-05-01 04:25:51 | Нейросеть для прогноза погоды Marchuk: расчет атмосферных процессов
https://iz.ru/2086882/andrei-korshunov/karmannaya- ii-model-predskazhet-anomalii-pogody-na-mesyac-vpe red Российский аналог ИИ Рединга и ИИ ГФС. |
| CorvusCorax 2026-05-02 11:31:12 | Российский аналог ИИ Рединга и ИИ ГФС.
Аналог, но пока очень слабый. Разрешение по широте и долготе низкое (1.5 градуса), это только для экспериментов годится, а не для реального прогноза (для него нужно разрешение порядка 0.25 градуса, что есть уже практически у всех глобальных моделей, или хотя бы 0.5 градуса). Разрешение 1.5 градуса - это уровень моделей конца 1990-х годов. |