本文提出使用极轨气象卫星的多分辨率气候数据来估计地球表面温度变化趋势的方法。通过开发两种专为密集网格观测设计的计算算法，我们评估了这些方法的性能，并计划跟踪云反射温度变化趋势。

May, 2018

本文旨在解决数据驱动数字孪生模型长期稳定性的问题，揭示了任何深度学习结构中普遍的因果机制，即：谱偏差，并进一步阐明了如何通过深度学习理论和基本数值分析弥补这种偏差，提出了一种缓解此类不稳定性的方法，实现了气候系统的长期稳定数值模拟和准确的短期预测。

Apr, 2023

数据驱动的深度学习模型正在改变全球的天气预报，但能否成功应用于气候建模仍存在挑战。本文提出了首个能够生成准确且物理一致的全球气候集合模拟的条件生成模型。我们的模型每隔 6 小时进行一次时间步骤，并在 10 年的模拟中保持稳定。我们的方法超越了相关基准，并几乎达到了成功模拟气候模型的黄金标准。我们讨论了基于动力学信息扩散模型的关键设计选择，这为高效的数据驱动气候模拟迈出了重要一步，有助于更好地理解地球并适应不断变化的气候。

Jun, 2024

通过引入扩散概率降尺度模型（DPDM），从 1° 分辨率高效地变换数据至 0.1° 分辨率，本研究解决了传统降尺度方法在面对不确定性时的局限性，并将该模型应用于东亚生成 180 年的月表面变量数据集，为理解过去几个世纪以来的当地尺度气候变化提供了更详细的视角。

Feb, 2024

应用扩散模型实现具有灵活性和可控性的天气预报系统，能够整合数值天气预报，并结合持续性和气候数据以提高长期预测稳定性。

Feb, 2024

使用卷积神经网络等机器学习方法基于地球系统模型模拟和历史观测知识更准确地预测未来气候变化，发现根据不同情景的模拟，全球表面温度在 21 世纪将超过 1.5°C 和 2°C 临界点，提供紧急需要的更准确的气候预测。

Sep, 2023

使用温度 GAN 生成高保真度、空间表现良好且时间特性与已知日变循环一致的空气温度，以在各个领域估计气候影响

Jun, 2023

全球深度学习天气预测模型与物理模型的预测效果相媲美，但这些模型是否包含大气动力学仍不清楚，本文通过四个经典的动力学实验对 Pangu-weather 模型进行检验，发现模型在所有实验中都表现出现实的物理特性，因此认为它可以作为一种快速测试想法的工具而替代昂贵的物理模型。

Sep, 2023

本文提出一种利用自适应递归图卷积网络的机器学习模型，通过使用空气激光雷达数据中近年来积雪量的预测，预测深层冰层的历史积雪量，以研究气候趋势和精准预测未来的气候和降水情况。我们发现，相比于之前的模型以及等价的无时间、无几何形态和非自适应模型，我们的模型表现更好、更一致。

Jun, 2023

通过将偏差修正方法（BC）重新构想为概率模型而非算法过程，并使用先进的机器学习（ML）概率注意力模型适应 BC 任务，我们提供了一种新颖的 BC 方法来纠正时间偏差，以产生更可靠的对气候统计的影响研究。

Feb, 2024