通过研究不同的机器学习方法，包括梯度提升和深度学习等，对美国本土的次季气候预测（SSF）进行了研究，发现通过精细构建特征表示方法，即使是简单的线性回归模型，如Lasso，都可以取得良好的表现。期望通过研究特征的重要性，实现对气候和土地等协变量预测的进一步改善。

Jun, 2020

研究了如何通过机器学习，将红噪声与强化学习相结合，提高气候模型对小尺度过程的近似准确性。

Mar, 2022

通过提出多数据因果特征选择方法，该方法利用 Tigramite Python 包实现的 PC1 或 PCMCI 因果发现算法，对多个时间序列数据集进行处理，过滤出有因果关系和值得关注的变量进行输入，从而有效地预测了西太平洋热带气旋的统计强度。

Apr, 2023

基于ConvGRU网络的ENSO区域的时空序列预测模型显示，相对于线性反演模型，类比预测和递归神经网络，其在预测Niño 3.4指数方面具有更高的预测能力和更长的有效预测期限。

Jun, 2023

利用低维度的太平洋SSTA表示，通过模糊无监督聚类，我们找到了四种已知的ENSO事件类别，以及第五种类别：极端厄尔尼诺事件。我们发现，极端厄尔尼诺事件在强度和时间演变方面与典型的东太平洋厄尔尼诺事件有所不同。此外，中太平洋拉尼娜事件、东太平洋厄尔尼诺事件和极端厄尔尼诺事件对于年代际ENSO变异性贡献最大。

Jul, 2023

从混合不同因果模型的时间序列数据中，利用证据下界最大化的方法进行因果发现，经过实验证明在探测来自不同因果图的数据时，该方法优于现有基准模型。

Oct, 2023

应用因果表示学习中的单亲解码方法（CDSD）对多个气候数据集进行评估，重点关注排放、温度和降水，揭示使用CDSD作为更可解释和稳健的气候模型的跳板的挑战、限制和前景。

Dec, 2023

因果分析对于可解释的深度学习和泛化提供了有前景的途径，通过将因果性纳入人工智能算法，并利用气象可预测性初次构建严格的因果分析形式体系，在过去的18年中，成功解决了以往因果性分析中模糊、非数量化、计算效率低等挑战，并通过广泛应用在大气海洋科学以及其他学科领域，如量子力学、神经科学、金融经济学等，带来了科学发现。本文简要回顾了这十年来的探索工作，包括重要的理论结果列表、因果深度学习框架的概述以及与地球科学相关的一些实际应用，例如关于全球变暖人为原因、El Niño Modoki的年代预测、中国极端干旱的预测等。

Feb, 2024

通过深度学习和模型类比预测的混合方法，我们在仓库模拟的相似初始气候状态中生成预测，利用卷积神经网络估计状态相关权重以识别类比状态，从而提供深入洞察初始误差敏感区域和系统的物理演变。我们的方法在季节至年度时间尺度上通过使用Community Earth System Model Version 2 Large Ensemble预测El Niño-Southern Oscillation (ENSO)来评估；结果显示与传统的模型类比技术相比，在赤道太平洋上预测的海表温度异常在9-12个月的领先时期有10%的改进。此外，我们的混合模型在评估重分析数据集时还展示了对于温度和降水的寒冬和春季初始化的改进。我们的基于深度学习的方法揭示了与各种季节变化的物理过程相关的状态依赖敏感性，包括太平洋纬向模式、赤道补给振荡器和随机风强迫。值得注意的是，El Niño和La Niña事件的敏感性存在差异。我们发现赤道太平洋上的海表温度在El Niño的预测中起更重要的作用，而在La Niña的预测中，该地区的纬向风应力具有更大的意义。这种方法对于预测各种气候现象，包括区域的温度和降水，具有广泛的影响，并且对于传统的模型类比预测方法具有挑战性。

Apr, 2024

本研究针对复杂环境中因果关系难以充分观测的问题，提出了一种名为TBN Granger因果关系的细粒度因果模型，通过结合时间尊重的贝叶斯网络和时滞神经Granger因果关系，提升时间序列分析的准确性。研究结果表明，提出的深度生成模型TacSas能够有效发现因果关系，进一步提升气候预测和极端天气预警的效果。

Aug, 2024