地球系统建模 2.0：基于观测和有针对性高分辨率模拟的模型学习蓝图

Aug, 2017

地球系统建模 2.0：基于观测和有针对性高分辨率模拟的模型学习蓝图

Earth System Modeling 2.0: A Blueprint for Models That Learn From Observations and Targeted High-Resolution Simulations

Tapio Schneider, Shiwei Lan, Andrew Stuart, João Teixeira

TL;DR通过数据同化和机器学习技术的结合，可以将全球观测和局部高分辨率模拟整合到地球系统模型中，从而实现系统化学习和降低气候模型中参数化的不确定性。

Abstract

climate projections continue to be marred by large uncertainties, which originate in processes that need to be parameterized, such as clouds, convection, and ecosystems. But rapid progress is now within reach. New computational tools and methods from →

climate projections parameterization data assimilation machine learning earth system model

发现论文，激发创造

自监督视觉在气候尺度调整中的应用

使用深度学习模型进行 Earth System Models 的降尺度模拟，该方法不需要高分辨率真实数据，具有优越的性能和广泛应用于气候研究的潜力。

Jan, 2024

基于扩散的地球系统模型温度和降水联合模拟

借助生成式深度学习方法，将地球系统模型（ESMs）进行仿真以获得逼真的气候样本，具有与 ESMs 相似的气候指标，适用于通过生成未来气候预测。

Apr, 2024

基于生成式基础模型的快速、自适应和不确定性感知的地球系统模型场景下尺度缩放

使用一种高效准确的一次训练模型，通过机器学习来降低任意地球系统模型的计算复杂度，同时实现了无需重新训练模型即可普适于未知气候状态的高分辨率降尺度。

Mar, 2024

DiffESM: 带有扩散模型的地球系统模型条件仿真

本文提出了一种基于扩散模型的深度学习模型，能够在只需小部分计算资源的情况下，准确模拟出影响人类行为的气候极端事件，并成功地生成了地球物理模型中的现象，比如高温，干旱和降雨强度。

Apr, 2023

使用深度学习来描述气候模型中的子网格过程

利用深度学习可以以极小的计算代价代替传统的云细度建模的层状参数化方法，实现全球多年的气候预测。

Jun, 2018

迈向气候模型数据的因果表示

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

地球系统模型降水的条件扩散模型用于降尺度与偏差修正

气候变化加剧了如大雨和洪水等极端天气事件。本文提出了一种新的机器学习框架，用于同时进行偏差校正和下尺度处理。通过在观测数据上训练生成性扩散模型，并对观测和地球系统模型数据进行映射，我们的方法能够纠正任何地球系统模型的地理要素，确保了统计质量并保留了大尺度空间模式。

Apr, 2024

联合在线学习作为解决神经网络参数化中不稳定性和偏差的方法

提出了耦合在线学习作为改善地球系统模型在子网格过程方面的表现的一种方法，详细阐述在 3D 云解析模型和超参数化框架中实现耦合在线学习的算法，并讨论尚未解决的问题。

Jul, 2019

下一代地球系统模型：可靠的混合模型用于天气和气候应用

机器学习在模拟地球系统方面的应用及其对瑞士终端用户的未来帮助的评论。

Nov, 2023

球面扩散下全球气候模型的概率仿真

数据驱动的深度学习模型正在改变全球的天气预报，但能否成功应用于气候建模仍存在挑战。本文提出了首个能够生成准确且物理一致的全球气候集合模拟的条件生成模型。我们的模型每隔 6 小时进行一次时间步骤，并在 10 年的模拟中保持稳定。我们的方法超越了相关基准，并几乎达到了成功模拟气候模型的黄金标准。我们讨论了基于动力学信息扩散模型的关键设计选择，这为高效的数据驱动气候模拟迈出了重要一步，有助于更好地理解地球并适应不断变化的气候。

Jun, 2024