深度学习在极端天气事件预测和理解领域有着潜在的应用，本文对其在雷暴、闪电、降水、干旱、热浪、寒潮和热带气旋等天气预报的各个方面的运用进行了综述，强调了深度学习捕捉复杂模式和非线性关系的潜力，同时讨论了当前方法的局限性和未来的进展方向，该综述为科学界了解并减轻极端天气事件的影响提供了重要见解。

Aug, 2023

我们尝试优化一种新型轻量级上下文引导的卷积神经网络，通过对特征处理、数据增强、损失函数和架构的修改，提高对气候数据中的热带气旋和大气河流的语义分割，尤其着重于最具破坏性的天气现象 —— 热带气旋的检测，采用加权损失函数以改善珍稀事件的类别不平衡性，具有一定的成功性。这个研究有利于提高掌握气候变化影响下的极端天气事件检测的能力，为预测、缓解和公平适应气候变化带来新的方向。

Mar, 2023

使用深度卷积神经网络通过 cubed-sphere 重新映射，改进 CNN 架构并在预测序列中优化损失函数，实现了更准确的天气预报，能够以几周或更长的时段内实现不断稳定的天气预报，并在短 - 中程预报中显著优于其他方法。

Mar, 2020

本文提出了一种基于 GAN 的方法，可以在检测到极端天气事件的条件下生成时空气象模式。该模型可以与自定义 GAN 架构相结合，并在真实的表面辐射和纬向风数据的实验中得到应用。

Apr, 2021

深度学习天气预测模型的预测准确性正在迅速提高，但仍存在需求，需要综合评估这些新兴技术的全面性。通过对比三个案例研究，我们发现机器学习的天气预测模型在创纪录的极端天气事件中可能能够达到与高分辨率天气预测系统相似的准确性，但其在极端条件下的外推能力可能比后者更受影响。这些研究可以为现有研究提供补充，增加公众信任，并有助于开发可靠的机器学习天气预测模型。

Apr, 2024

使用卷积神经网络 (ConvNetQuake) 检测和定位地震事件，以解决小型和中等级地震活动中的低幅度震动噪声的问题。

Apr, 2023

该研究旨在探讨人工深度神经网络在洪水预测中的性能，为预测水位、提供数据集，并表明神经网络在时间序列预测中非常有用，并支持通过数据同化来改进现有模型。

Feb, 2019

通过傅里叶卷积训练的深度学习方法，我们能够重建历史气候场景，包括大片和不规则的缺失数据区域，以及强烈的厄尔尼诺和拉尼娜事件，且效果优于统计克里金方法和其他机器学习方法。该模型可以推广到比其训练分辨率更高的级别，适用于各种气候场景，并允许填补未曾在模型训练中出现的遮罩区域。

Nov, 2023

通过使用深度学习技术来精确评估自然灾害中建筑损害，在利用遥感数据的背景下进行实现。我们探索使用来自全球各地的多样化灾难事件的 xBD 数据集作为主要焦点，以评估深度学习模型。我们解决了推广到新灾难和地区的挑战，同时考虑了自然灾害数据中固有的低质量和噪声标签的影响。此外，我们的研究定量地证明了对于有效的建筑损害检测，最低的卫星图像分辨率为 3 米，对于使用对称和非对称分辨率摄动分析的分类低于 1 米。为了实现对建筑损害检测和分类的稳健准确评估，我们评估了具有残差、压缩和激活以及双路径网络主干的不同深度学习模型，以及集成技术。总体而言，F-1 得分为 0.812 的 U-Net Siamese 网络集成在 xView2 挑战基准测试中表现最好。此外，我们还将对所有灾害进行训练的通用模型与洪水专家模型进行评估，并调查了在 Ahr Valley 的领域数据中的事件间通用性差距和分布。我们的研究发现展示了先进人工智能解决方案在增强气候变化引发的极端天气事件（如洪水和飓风）影响评估方面的潜力和局限性。这些见解对于在不断升级的气候挑战面前的灾害影响评估具有重要意义。

Sep, 2023

该研究利用卷积神经网络（CNN）和迁移学习技术分析地理空间数据，特别是用于识别受野火影响的区域，并结合加拿大火险指数（FWI）评估湿度条件，通过建立一个 0 至 5 的火险级别量表与天气模式动态连接，实现了大规模烧毁区域的准确识别，为预测和减轻火灾提供了实时实用的方法。

Mar, 2024