本研究利用人工智能技术，提高先前繁琐的 CO2 排放估算方法，进行算法和模型比较，并利用机器学习、深度学习和集成学习方法预测全球温度上升，以此为基础制定政策，如采用电动汽车减少汽车排放。

Nov, 2022

本文调查了将量子机器学习应用于解决气候变化和可持续发展问题的现有文献。我们回顾了有潜力加速减碳的 QML 方法，包括能源系统、气候数据预测、气候监测和危险事件预测。我们讨论了量子机器学习方法的挑战和当前的限制，并概述了在气候变化研究这一重要领域中利用基于 QML 的方法的潜在机会和未来工作。

Oct, 2023

灾难应对机构已从气候预测范式向预测行动范式转变，评估的不仅是气候情况，更是其对特定人群的影响，从而实现主动响应和资源分配。机器学习模型在气候预测方面变得异常强大，但在促进预测行动方面仍存在方法论上的差距。在本研究中，我们概述了预测行动，回顾了机器学习的相关应用，确定了共同的挑战，并强调了机器学习在推进对气候变化最脆弱人群的灾难应对方面的独特贡献领域。

Jul, 2023

通过训练机器学习模型进行温室气体排放的估算可以帮助投资者符合环保法规措施和实现净零排放的目标。

Sep, 2021

这篇论文提出了一个自动评估框架，通过综合指标评估大型语言模型在应对气候危机方面的知识，并发现现有大型语言模型的知识在时效性方面存在不足。

Dec, 2023

本文介绍了机器学习在地球科学问题中所面临的独特挑战和机遇，强调各种地球科学问题所需的新颖机器学习方法的重要性，并讨论了潜在的方法学发展方向及其在地球科学中的应用。

Nov, 2017

通过机器学习方法预测气候变化对农业土地适宜性的风险，以应对全球范围内的粮食短缺和社会冲突。

Oct, 2023

本文讨论气候变化人工智能的应用，评估了自动机器学习技术在三个高影响的气候变化应用领域的性能，并发现当前的自动机器学习库未能显著超越人设计的模型，但存在一些关键弱点，其中之一是当前大部分自动机器学习技术都是为计算机视觉和自然语言处理应用设计的，所以需要开发出为时空数据设计的搜索空间来寻找新的架构，从而提高性能。为此，作者呼吁自动机器学习社区开展未来工作的具体方向，并发布了代码和一系列资源。

Oct, 2022

本文提出了一个机器学习排放计算器工具，并阐述了影响神经网络训练中所产生的碳排放量的重要因素有哪些，以及个人从业者和组织可以采取的具体行动来减少排放。

Oct, 2019

ClimateLearn 是第一个大规模的开源项目，旨在将气象和气候模型与现代机器学习系统进行连接，它能够大大简化机器学习模型的训练和评估，并包括综合流程，实现深度学习模型和定量和定性评估。

Jul, 2023