通过从高分辨率大气模拟中粗粒化模型方程和输出的方式学习神经网络参数化，实现替换传统的物理模型的亚网参数化方法，最终实现稳定的气候模拟并提高计算效率。

Oct, 2020

通过将不同的大气动力学求解器与机器学习组件相结合，我们展示了首个能够生成确定性天气、集合天气和气候预测的 GCM 模型 NeuralGCM，其预测能力与最佳的机器学习和基于物理的方法相当，同时在天气和气候方面，我们的方法相对于传统 GCMs 有数量级的计算节省，并能够增强对地球系统的理解和预测所必需的大规模物理模拟。

Nov, 2023

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

使用机器学习模型模拟全球大气重力波通量，以替代传统的单柱参数化方法，展示了全局非局域性在使用数据驱动方案模拟大气重力波时的重要性和有效性。

Jun, 2024

该论文研究了机器学习方法在模拟高维地球物理湍流过程中的预测性能，并发现训练数据的时间分辨率对于预测性能的影响。

Apr, 2023

提出了一种利用神经网络校正算子的非侵入性方法来校正粗分辨率气候预测，克服了统计学方法无法处理超过训练数据时间的极端事件的挑战，并在实验中成功校正了欧洲中期天气预报模型和能源计算机模式的输出，使其更准确地反映统计数据并显著降低空间偏差。

Feb, 2024

通过在气候模型中嵌入基于高分辨率 Unified Model 模拟的多输出高斯过程（MOGP）的训练，我们克服了与云形成相关的气候模拟中的长期偏见。利用 MOGP 预测的温度和比湿的变化，对简化的大气环流模型 SPEEDY 进行在位耦合。将 SPEEDY 的温度和比湿剖面按照 MOGP 预测的变化进行固定间隔的扰动。生成了控制模型和混合 ML 模型的十年预测。混合模型将全球降水偏差减少了 18％，在热带地区减少了 22％。为了进一步了解这些改进的驱动因素，我们还探索了一些感兴趣的物理量，如抬升指数值的分布和哈德利环流的改变。在温暖的气候环境中，还运行控制和混合设置的海面温度增加 4K 的实验，以探索该方法对云覆盖和降水模式的影响。

Jun, 2024

通过使用 SMARL 和湍流物理的基本原理，仅使用几个高保真样本进行了训练，并针对大气和海洋湍流的原型学习了闭合模型，结果表明 SMARL 在 GCMs 的闭合建模方面具有高潜力，尤其是在数据稀缺和间接观测的情况下。

Dec, 2023

南中国沿海经常发生局地且持续时间较长的暖区强降雨，预测其仍然具有挑战性。本研究提出了一个基于多输出双向长短期记忆（Bi-LSTM）模型的新的替代尺度感知 MSKF CP 方案，实验结果表明 Bi-LSTM 模型能够高精度地预测南中国地区的天气情况，并有望在灰区替代 MSKF 方案。

Nov, 2023

本研究借助机器学习作为一个新的参数化方式，直接从高分辨率模型输出中学习新的对流参数化，然后进行了为期一年的筛查，确保新的参数化方式与原有的传统参数化方法保持一致，而且还对该新方法的效果进行了评估，结果表明，该方法能够更准确地模拟气候特征。

Jun, 2018