机器学习应用团队（RUMLA）

Posted 2021-04-17 RUMLA

What is the RUMLA？

↓

Research Unit of 

Machine Learning Application

RUMLA团队由大气科学、计算机科学、数学等多学科背景的科研人员、在读硕士博士组成，成员分别来自中国科学院大气物理研究所、中国气象科学研究院、北京邮电大学、北京大学、中国海洋大学、北京师范大学等。

邮箱：[e-mail]

主页：https://www.i32n.com/rumla/

Part.1

团队宗旨

RUMLA（Research Unit of Machine Learning Application）旨在结合气象大数据和数值天气预报模式，基于机器学习/深度学习等技术

1）发展高时空分辨率数据集重构系统（重建天气气候信息），包括模式后处理订正、无网格插值/插补、数据反演、降尺度、数据融合等；

2）研发天气气候预报模型，包括天气预报模型和季节尺度极端天气气候事件预测模型；

3）研究大气科学基础理论。

Part.2

团队成员

夏江江

Xia Jiangjiang

中国科学院大气物理研究所，副研究员；

中国科学院大气物理研究所，博士。

研究方向：

机器学习在大气科学中的应用。

高力浩

Gao Lihao

中国气象科学研究院，助理研究员；

中国科学院大气物理研究所，博士。

研究方向：

基于机器学习的中国夏季降水季节预测；基于深度学习的短临降水预测；基于机器学习的数据融合方法研究。

李昊辰

Li Haochen

北京邮电大学，讲师；

北京大学，博士后。

研究方向：

研究方向主要包括偏微分方程数值解法、天气预报大数据方法等。基于机器学习的冬奥气象要素预测研究。

娄晓

Lou Xiao

2020—至今，气象大数据实验室，数据架构师；

2018—2020，中国科学院大气物理研究所，工程师；

2016—2018，琥珀创想科技有限公司，工程师。
研究方向：

深度卷积神经网络的全球天气预报模型研发。

于爽

Yu Shuang

中国科学院大气物理研究所，博士；

英国爱丁堡大学，研究助理。
研究方向：

基于机器学习的短期气候预测研究；极端气候事件。

童宣

Tong Xuan

中国科学院大气物理研究所，博士。

研究方向：

基于机器学习方法的降水诊断分析和季节预报模型研发；基于机器学习算法的精细化气象要素（如风）短临预报。

刘念

Liu Nian

中国科学院大气物理研究所，博士。
研究方向：

结合机器学习与大气科学知识重构高时空分辨率的无网格气象数据集，并结合气象理论进行极端气候学分析。

段明杉

Duan Mingshan

中国海洋大学，研究生；

中国科学院大气物理研究所，客座研究生。
研究方向：

利用机器学习做气象数据反演，构建高分辨率数据集。

苏婷

Su Ting

北京师范大学，研究生；

中国科学院大气物理研究所，客座研究生。
研究方向：

利用人工智能做冬奥天气预报，具体运用机器学习新算法对冬奥高山站进行风向风速的预报研究。

于小淇

Yu Xiaoqi

中国科学院大气物理研究所，研究生。
研究方向：

基于深度学习发展高时空分辨率数据集；基于深度学习的天气预报模型研发及大气科学理论研究。

刘祺

Liu Qi

中国科学院大气物理研究所，研究生。

研究方向：

基于深度学习发展高时空分辨率数据集；基于深度学习的天气预报模型研发及大气科学理论研究。

朱广翔

Zhu Guangxiang

<RUMLA 特聘AI技术顾问>

清华大学交叉信息研究院计算机系，博士。

研究方向：

包括图像处理，人工智能，深度学习，强化学习，计算生物学等。在深度强化学习方面，在人工智能顶级会议NeurIPS，ICLR，AAAI和AAMAS均发表过论文；在计算生物学方面，在SCI一区期刊NAR（成果入选2018年度“中国生物信息十大进展”）, Nature Communications均发表过相关论文。

Part.3

团队成果

1、参与竞赛

1）2020年参与“华为云杯”深圳开放数据应用创新大赛·粤港澳大湾区强降水临近预测赛题中获得“三等奖”。

2）2019参加第二届智慧气象服务创新大赛“卫星云图+地面观测云图预测辐照量”，初赛A榜B榜均获得“第六名”。

2、在研项目

1）国家重点研发计划项目“科技冬奥”中“基于机器学习方法的赛场赛道气象要素预报以及高影响天气概率预报的研究和应用”。

2）基于深度学习的气象要素预报与智能会商系统研究。

3）基于机器学习的西北太平洋台风预报模型构建。

3、发表文章

2020

孟欣宁，焦瑞莉，刘念，夏江江(*)，严中伟，于爽，娄晓，李昊辰，王立志，陈亮，郑子彦，赵娜，2020：基于随机森林插值分析的中亚夏季极端高温变化特征，干旱区研究，已接收。

武略，焦瑞莉，王毅，夏江江(*)，严中伟，李昊辰，余晨，2020：北京地区体感温度误差订正方法研究，气象科学，已接收。

Xia Jiangjiang(*), Li Haochen, Kang Yanyan, Yu Chen, Ji Lei, Wu Lue, Lou Xiao, Zhu Guangxiang, Wang Zaiwen Wang, Yan Zhongwei YAN, Wang Lizhi, Zhu Jiang, Zhang Pingwen, Ji Chongping, Chen Min, Zhang Yingxin, Gao Lihao, and Han Jiarui, 2020: Machine-learning-based weather support for 2022 Winter Olympics. Advances in Atmospheric Physics, http://www.iapjournals.ac.cn/aas/en/article/doi/10.1007/s00376-020-0043-5.

Yu Chen, Li Haochen, Xia Jiangjiang, Wen Hanqiuzi, and Zhang Pingwen, 2020: A data-driven random subfeature ensemble learning algorithm for weather forecasting. Communications in Computational Physics. (in press)

2019

Li Haochen, Yu Chen, Xia Jiangjiang, Wang Yingchun, Zhu Jiang, Zhang Pingwen, 2019: A Model Output Machine Learning Method for Grid Temperature Forecasts in the Beijing Area, Advances in Atmospheric Sciences, 36(10): 1156-1170. http://www.iapjournals.ac.cn/aas/en/article/doi/10.1007/s00376-019-9023-z.

Tong Xuan, Yan Zhongwei, Xia Jiangjiang, Lou Xiao, 2019: Decisive Atmospheric Circulation Indices for July–August Precipitation in North China Based on Tree Models, Journal of Hydrometeorology, https://doi.org/10.1175/JHM-D-19-0045.1.

Gao Lihao, Wei Fengying, Yan Zhongwei, Ma Jin and Xia jiangjiang, 2019: A study of objective patterns over Eastern China Based on A multinomial Logistic Regression Model, Atmosphere, 10:213, doi: 10.3390/atmos10040213. https://app.dimensions.ai/details/publication/pub.1113634491.

孙全德，焦瑞莉，夏江江(*)，严中伟，李昊辰，孙建华，王立志，梁钊明，2019：基于机器学习的数值天气预报风速订正研究，气象，45（3）：426-436.

门晓磊，焦瑞莉，王鼎， 赵晨光，刘亚昆，夏江江(*)，李昊辰，严中伟，孙建华，王立志，2019：基于机器学习的华北气温多模式集合预报的订正方法，气候与环境研究，24（1）：116-124.

主页：https://www.i32n.com/rumla/

↓访问主页请点击阅读原文