该研究提出了一种神经符号化方法 NS-QAPT，用于解决气候模拟中深度学习模型的可解释性和可解释性问题，并展示了初步的有研究价值的结果。

Jun, 2023

通过机器学习方法，我们预测大西洋经向翻转环流系统（AMOC）的潜在崩溃时间窗口在 2040 年至 2065 年之间，这是由于气候变化引起的北大西洋淡水输入的增加导致的，同时还开发了在嘈杂的动力系统中预测临界点的方法。

Feb, 2024

使用新的 Tipping Point Generative Adversarial Network (TIP-GAN) 方法以高准确度预测气候系统模型中的潜在临界转折点，并探索和发现引起这些转折点的驱动因素的过程。

Feb, 2023

机器学习在气候科学应用中变得普遍，本文提出了模拟大西洋经圈环流的方法，并使用神经网络预测不同气候情景下的极端气候。结果显示神经网络可以在多样的气候情景下预测大西洋经圈环流，并指出贝叶斯神经网络在非稳态情景中表现较差。研究还强调大型神经网络模型在全球地球系统动力学建模和非稳态气候情景中可能遇到困难。

Feb, 2024

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

该论文提出了一种名为 NeuroClim 的框架，用于采用脑神经算法设计气候混合仿真，并为此提供了一个平台、一个数据集和一种量化的评估方法，以促进人工智能和气候研究的交叉。

Aug, 2022

提出一种新的综合框架，用于支持基于人工智能的自然气候决策制定中的各个方面的综合决策支持模型，包括植被碳储量评估、火灾检测、逆转风险减轻和灾害响应规划等不同方面。

Dec, 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

通过使用人工智能驱动模型，该研究在气象灾害的风险管理策略中创造了一个转变。研究采用了热带气旋作为一个重点示例，工程设计了一种基于干扰的方法，使用先进的 Pangu AI 气象模型来产生集合预测。研究结果显示，AI 生成的集合预测在登陆前的七天内与欧洲中期天气预报中心的集合预测趋于一致。这种方法可以极大地提高天气预报驱动风险分析和管理的效果。

Apr, 2024

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