提出了一种混合人工智能气候建模方法，使用深度神经网络和数学方法相结合的方法进行气候目标仿真，通过神经符号语言实现可解释性。该方法能够在发现气候临界点方面提高精度，具有潜在的加速计算机不可行的快速气候临界点相关研究的能力。

Feb, 2023

研究云对地球气候系统的影响，并提出通过AI辅助可视化分析的混合模型来设计和测试海上云增白技术以评估其对气候模式的影响。

May, 2023

ClimSim是迄今为止最大的融合混合ML和气候物理学的数据集，由一组气候科学家和ML研究人员开发，其设计思想是为了使结果仿真器与下游耦合到运行气候仿真器兼容。

Jun, 2023

通过使用一种新颖的循环神经算子（RNO）学习非平稳动力系统的演化，本文提出了一种基于不确定性的方法来预测突变点，并通过监测与物理约束的偏离，以及严格测量不确定性的方法来预测这些突变点，从而实现了这些突变的准确预测。

Aug, 2023

机器学习和深度学习方法在理解大气混沌行为和推进天气预报方面已得到广泛应用。在构建地球的数字孪生体方面，科技公司、政府机构和气象机构表现出越来越多的兴趣。我们回顾了当前最先进的人工智能方法，主要来自于变换器和算子学习文献，并结合气象学的背景提出了成功的标准，期望实现一系列基础模型用于即时预报和天气气候预测。我们还讨论了这些模型在下游任务中的竞争力，如下降尺度（超分辨率）、火灾有利条件的识别以及对各种时空尺度（如飓风和大气河流）具有重大影响的气象现象的预测。特别是，我们认为当前的人工智能方法已经发展到足以设计和实施一个气象基础模型的成熟阶段。

Sep, 2023

建模对理解温室气体、全球变暖和冰盖融化对海洋的影响至关重要。神经网络模型精确预测了理想化海洋模型的一步前向动力学，并计算了参数敏感性。

Nov, 2023

季节性气候预测对于管理极端天气事件影响以及农业和能源等行业的规划具有重要的社会经济意义。本研究介绍了Ocean-linked-atmosphere (Ola)模型，这是一个高分辨率 (0.25°) 的人工智能/机器学习耦合地球系统模型，使用自回归Spherical Fourier神经算子架构分别对海洋和大气动力学进行建模，以实现季节尺度上快速、精确的大量集合预测。Ola模型表现出了海洋-大气耦合动力学的学习特征，包括适当相速的热带海洋波，以及在海洋混合层内具有逼真的振幅、地理结构和垂直结构的内部产生的厄尔尼诺/南方振荡 (ENSO)。我们提供了预测ENSO的初步证据，与地球物理流体力学实验室的SPEAR模型相比具有良好的预测能力。

Jun, 2024

通过基于神经网络的模拟器，本研究在未来的气候变化情景下，建立了海平面变化与地球重力、旋转和形变（GRD）效应之间的关联。通过采用机器学习模型输出的非线性回归后处理技术，我们推导出了对模拟的海平面变化的预测区间，并展示了神经网络模拟器在准确性和计算效率上的优势。

Jun, 2024

本研究解决了现有地球系统模型在分析极端天气事件时的计算限制问题。提出了一种利用扩散模型将模型输出从月度精度降至日度精度的创新方法，能够在计算资源较少的情况下高效模拟气候条件。研究表明，DiffESM模型在捕捉极端现象的时空特征方面与地球系统模型输出高度一致，具有重要的应用潜力。

Sep, 2024

本研究解决了气候变化中天气预报模型的适应性问题，展示了当前最先进的机器学习模型在不同气候状态下依然具有良好的预报能力。研究结果表明，尽管存在全球平均冷偏差，机器学习模型在气候科学上的应用潜力巨大，可以支持气候变化的减缓与适应，并对传统物理模型形成有效补充。

Sep, 2024