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

在本文中，我们使用先进的机器学习方法，包括序列模型（LSTM和Transformers）和关系模型（图神经网络），建立了一个在巴西东南海岸Santos-Sao Vicente-Bertioga海湾地区可以预测洋流速度和海面高度等环境变量的数据驱动模型，并将我们的结果与Santos操作预测系统进行了比较，证明了我们的模型可以在保持一定的灵活性和少量领域知识依赖性的同时实现更好的预测效果。

Jun, 2022

提出了一种新的数据驱动方法DINo来模拟PDE流场，通过Implicit Neural Representations在小的潜空间中独立嵌入空间观测数据，在由学习ODE驱动的时间中灵活处理时间和空间。DINo可以在任意时间和空间位置外推，并且可以从稀疏的不规则网格或流形中学习，在测试时，可以推广到新的网格或分辨率。该方法在代表性PDE系统上的各种极具挑战的泛化场景中优于替代的神经PDE预测模型。

Sep, 2022

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

本文提出了一种基于深度神经网络的两阶段模型来进行时空插值和预测，并应用于 $PM_{2.5}$ 数据的快速插值和带不确定性的预测。

Jun, 2023

深度学习模型框架在预测时间序列数据方面具有潜在应用，尤其是在大气和海洋领域。本研究探讨了利用深度神经操作模型对经典流体流动和真实海洋动力学进行重现和预测的可能性，并证实了这些模型对理想化周期性涡流脱落和真实海洋表面流动的一些特征的预测能力。

Aug, 2023

通过将随机偏微分方程与高斯马尔可夫随机场相结合，以及利用深度学习方法，本文提出了一种新的方法来解决大规模地理物理数据的时空插值问题，并提供了解释性和不确定性量化的随机框架。

Feb, 2024

利用DeepHyper的高级搜索算法优化深度学习模型的超参数选择，尤其针对海洋模拟进行数据驱动建模，以提高模型精确性。实验结果显示，优化后的超参数集在单时间步预测中改善了模型性能，并在长时间范围内的自回归预测中大幅超过了基线配置。利用DeepHyper展示了在海洋动力学预测中提升FNOs使用的可扩展解决方案。

Apr, 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