人工智能成功预测ENSO多变量三维场
原文地址：http://news.sciencenet.cn/htmlnews/2023/3/497498.shtm......阅读全文
时空四维模型突破限制－海温预测不再浮于表面
海洋温度体现了海水的热状况，海洋温度变化主要取决于海洋热收支状况及其时间变化。太阳辐射和海洋大气热交换是影响海水温度的两个主要因素。具体来说，纬度、洋流、季节、深度、海洋生物运动等都会影响海水温度变化。周晓锋中国科学院沈阳自动化研究所副研究员从太空视角看，地球像一颗蔚蓝色的“水球”，海洋面积占地球总
时空四维模型突破限制－让海温预测不再“浮于表面”
海洋温度体现了海水的热状况，海洋温度变化主要取决于海洋热收支状况及其时间变化。太阳辐射和海洋大气热交换是影响海水温度的两个主要因素。具体来说，纬度、洋流、季节、深度、海洋生物运动等都会影响海水温度变化。 周晓锋 中国科学院沈阳自动化研究所副研究员 从太空视角看，地球像一颗蔚蓝色的“水球”，
研究提出反常霍尔角的双变量数学模型
磁性材料的反常霍尔输运效应来源于能带内禀贡献及杂质外禀散射，其重要参量反常霍尔角代表纵向电流密度驱动横向反常霍尔电流密度的能力。大反常霍尔角在反常霍尔磁传感、自旋电子学磁畴翻转等方面发挥关键作用。过去70年来，反常霍尔角长期处于0.1°~3°（0.2%~5%）较低水平，且缺乏调控模型和实验方案，导致
广东研发可解释的土壤重金属时空四维预测模型
原文地址：http://news.sciencenet.cn/htmlnews/2023/7/505254.shtm近日，广东省科学院生态环境与土壤研究所研究员王琦等在广东省杰出青年基金和国家自然科学基金面上项目的支持下，自主研发了超越人工智能“黑箱”的地理可解释的土壤重金属时空四维预测模型。相关研
交通碳排放计量模型与时空评估领域研究获进展
原文地址：http://news.sciencenet.cn/htmlnews/2022/6/480763.shtm 广东省科学院广州地理研究所研究员吴旗韬团队在交通碳排放计量模型与空间分析领域研究取得新进展。相关研究近日发表于《能源研究前沿》和《热带地理》。 在我国提出“碳达峰”和“碳中和
水生所等研发出基于大数据挖掘和深度学习的有害藻类水华预警系统
近日，中国科学院水生生物研究所毕永红团队联合德国卡尔斯鲁厄工学院，研发出基于大数据挖掘和深度学习的有害藻类水华预警系统。相关研究成果作为封面文章，发表在《环境科学与技术》（Environmental Science & Technology）上。该研究致力于创建高时间分辨率的水柱垂向维度有害藻华（H
模型预测土壤可蚀性空间研究取得进展
土壤侵蚀是土壤与粮食安全面临的主要威胁之一。进行土壤侵蚀影响因子的定量化研究对阻控土壤侵蚀有重要意义。土壤可蚀性（soil erodibility）能反映土壤对侵蚀外营力剥蚀和搬运的敏感程度，是组成土壤侵蚀模型的重要因子之一，常用指标K表示。然而，由于实地测量K值样点密度稀疏，亟需发展K值空间尺
机器学习模型预测中风？
中风的诊断可能很棘手，因为患者并不总是表现出典型的症状，而且其他疾病也可能模仿它。研究人员利用现有数据开发了一种机器学习模型，可以准确预测中风，并可能使诊断变得更容易。诊断错误是一个主要的公共卫生问题，造成了可预防的病人伤害和卫生超支。由于诊断错误而导致的可预防的中风死亡比误诊的心脏病发作要常见30
基于ASM模型的出水水质预测机理模型
为了推动和规范活性污泥模型的发展，国际水协会(International Water Association, IWA)于1983年组织南非、日本、美国、丹麦、荷兰五国专家成立活性污泥通用模型国际研究小组，致力于新的活性污泥数学模型的开发，并于1987年、1995年和1999年陆续推 出了3个ASM
换个模型预测气候变化
《自然—气候变化》11月23日发表的多模型分析，依据2030年前后的减排措施预测了气候场景，发现即使最乐观的场景也不足以将全球变暖限制在2°C以内。这个前瞻性建模方法与传统“倒序”设想不同，后者聚焦于预先规定的气候目标并描述如何实现这些目标。大多数气候模型聚焦于一种被称为“倒序推演”的概念，其中目标
DeepMind－AI模型预测天气又快又好
近日一项发表于《自然》的研究报道了谷歌DeepMind开发的首个天气预测人工智能（AI）模型——GenCast。该模型比目前运行中的最佳中期预报系统——欧洲中期天气预报中心的集合预报（ENS）更精准。GenCast在8分钟内就能完成15天的预测，而目前的预测程序需要几个小时。据介绍，包括ENS在内的
研究人员开发出稀土矿电驱开采预测模型
近日，中国科学院广州地球化学研究所研究员朱建喜团队，针对离子吸附型稀土矿开发出电驱开采回收预测模型。团队通过设计响应面实验模拟电驱开采过程，从离子传输动力学与电荷量生成机制角度，系统阐明了稀土离子在风化壳中的电动回收过程。相关成果发表于《应用物理快报》（Applied Physics Letters
人工智能成功预测ENSO多变量三维场
原文地址：http://news.sciencenet.cn/htmlnews/2023/3/497498.shtm
时间机器模型问世－穿梭时空或成现实
许多孩子童年的梦想，就是希望能拥有一台动画片《机器猫》中的时光穿梭机，回到过去看一看。正当有人认为这个想法是天方夜谭，嗤之以鼻时，以色列科学家阿莫斯·奥瑞却表示，已经成功制造了一个时光机器的理论模型，他相信穿梭时空回到过去在不久的将来会成为现实。 “甜甜圈”时光环逆流 奥瑞介绍，这个时光机器模型是依
新模型精准预测土壤“碳排放”
从天津大学获悉，日前，该校地科院晏智锋副教授与联合西北太平洋国家实验室—马里兰大学联合全球气候变化研究所合作，在土壤异养呼吸过程模型构建与应用上取得新进展，首次建立了可精准监测土壤“碳排放”的过程模型系统，该系统可更加精准地预报土壤异养呼吸对大气环境的影响。 土壤中的微生物、作物根系和土壤动物
新模型精准预测土壤“碳排放”
记者从天津大学获悉，日前，该校地科院晏智锋副教授与联合西北太平洋国家实验室—马里兰大学联合全球气候变化研究所合作，在土壤异养呼吸过程模型构建与应用上取得新进展，首次建立了可精准监测土壤“碳排放”的过程模型系统，该系统可更加精准地预报土壤异养呼吸对大气环境的影响。 土壤中的微生物、作物根系和土壤动物
开发出新型预测模型来预测HIV疗法的效果
艾滋病毒非常可怕，尤其是其自身非常好的自适应性，如果HIV对于某一个靶点药物产生了变异，那么就变相宣布了此疗法的失败。为了尽量降低HIV的防御机制，医生们会使用许多种药物联合的方法来治疗患者，这种方法就可以使得病毒对特定药物耐受之前经历相当长的变异过程。 近日，刊登在国际杂志PLoS Co
如何使用生态模型中逻辑斯蒂增长模型进行预测？
使用逻辑斯蒂增长模型进行预测可以按照以下步骤进行： **一、确定模型形式** 逻辑斯蒂增长模型的一般形式为： \(P(t)=\frac{K}{1 + ae^{-bt}}\) 其中，\(P(t)\)表示在时间\(t\)时的预测值（如种群数量、市场需求等），\(K\)是环境容纳量（最
科学家利用迁移学习建立计算大模型预测基因调控研究
基因网络绘制需要大量转录组数据用于建立基因之间的联系，这也阻碍了一些数据有限场景（如罕见病）等研究。最近，利用迁移学习的机器学习技术在自然语言和计算机视觉等领域带来了变革性进展，其通过在大规模通用数据集上进行大模型预训练，而后迁移到数据量有限的特定任务进行微调。美国博德研究所等研究团队提出了一个
Science：谷歌AI新模型预测天气快又准
原文地址：http://news.sciencenet.cn/htmlnews/2023/11/512459.shtm编译 ｜ 辛雨 图片来源：Carlos Munoz Yague 人工智能（AI）公司Google DeepMind开发的机器学习模型GraphCast，在“3至
流感疫情多严重？这个模型来预测
最近，身边感冒的人突然多了起来，提示我们季节性流感又来了。流感，似乎伴随着人类的历史，有时严重，有时轻微。芝加哥大学的研究人员通过研究流感病毒如何演化，可以更好地预测未来的流感有多严重。这项成果近日发表在《Science Translational Medicine》上。 季节性流感每年会造
AI新模型快速预测材料光学性质
未来的中央处理器（艺术图）。图片来源：美国趣味工程网站科技日报讯 （记者刘霞）据美国趣味工程网站近日报道，日本东北大学和美国麻省理工学院科学家，成功开发出一款新人工智能（AI）模型GNNOpt。该模型能以与量子模拟相同的精度预测材料的光学性质，但速度能快100万倍。研究团队表示，这一重要进展有望加速
欧洲夏季将比模型预测的更炎热
欧洲的酷夏和热浪将比人们担心的更加闷热。一项在近日举行的欧洲地球科学联盟大会上发布的研究表明，行政管理者所依赖的区域气候模型严重低估了夏季的炎热情况，因为它们没有考虑到空气污染减少带来更强烈的阳光。2023年7月，在希腊雅典，女子用瓶装水降温。图片来源：Louisa Gouliamaki/AFP/G
我国学者在非定常流场智能预测方面取得进展
图 利用实验室测量的稀疏数据预测圆柱绕流流场 在国家自然科学基金项目（批准号：11927802）资助下，北京航空航天大学杨立军教授团队与中国人民大学孙浩教授合作在非定常流场智能预测方面取得进展。研究成果以“生成式模型推演时空物理场（Learning spatiotemporal dynamics
生态模型中逻辑斯蒂增长模型与其他预测模型相比有哪些优缺点？
逻辑斯蒂增长模型与其他预测模型相比，有以下优点和缺点：优点：描述种群增长规律：在生物学领域，能较好地描述生物种群在资源有限环境下的增长情况，呈现出先加速增长后趋于稳定的特征，符合许多生物种群实际增长模式，如鱼类种群数量在一定水域内的变化 51626。考虑环境限制因素：相比指数增长模型等简单模型，逻辑
中国水产科学研究院东海所在西北印度洋鸢乌贼渔场预测方面取得新进展
中国水产科学研究院东海水产研究所渔业遥感技术及数字渔业创新团队在西北印度洋鸢乌贼渔场预测方面取得新进展。通过研究发现鸢乌贼渔业具有明显的时空异质性，并首次使用GAM、GBT、2DCNN和3DCNN等4种模型研究不同时空尺度下西北印度洋鸢乌贼渔场预测模型的性能差异，发现精细化时空尺度（3天、0.2
海浪统计降尺度模拟研究取得新进展
原文地址：http://news.sciencenet.cn/htmlnews/2024/1/516570.shtm近日，中国科学院海洋研究所研究员尹宝树研究团队在基于天气分型的海浪统计降尺度模拟方面取得新进展，相关成果发表在《海洋模拟》。全球变暖背景下中国近海海浪灾害风险持续增加，探究极端海浪的未
如何根据生态模型逻辑斯蒂增长模型预测种群数量的变化？
逻辑斯蒂增长模型的方程通常表示为： \[ \frac{dN}{dt} = rN\left(1 - \frac{N}{K}\right) \] 其中，\(N\)是种群数量，\(t\)是时间，\(r\)是种群的内禀增长率（在理想条件下的增长率），\(K\)是环境容纳量（即特定环境所能支持
生态模型中逻辑斯蒂增长模型的预测结果是否准确？
逻辑斯蒂增长模型的预测结果并不总是完全准确，具有一定的不确定性，原因如下：一、准确性方面的表现在特定条件下较为准确：具有明显增长规律的市场：对于一些具有典型增长和饱和特征的市场，逻辑斯蒂增长模型可以给出相对准确的预测。例如，某些成熟的消费品类市场，其增长受到资源（如市场规模、消费者数量、生产能力等）
如何根据生态模型逻辑斯蒂增长模型预测种群数量的变化？
逻辑斯蒂增长模型的方程通常表示为： \[ \frac{dN}{dt} = rN\left(1 - \frac{N}{K}\right) \] 其中，\(N\)是种群数量，\(t\)是时间，\(r\)是种群的内禀增长率（在理想条件下的增长率），\(K\)是环境容纳量（即特定环境所能支持