深度学习方法与 ResoNet 模型相结合，能够准确预测 1.5 年前的 El Niño-Southern Oscillation，并解释其物理机制及 El Niño 和 La Niña 发展的不对称性。

Dec, 2023

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

本文提出了一种新颖的静态和动态可学习个性化图卷积网络 (SD-LPGC) 来处理 SST　的预测任务，实验结果表明该方法具有最先进的性能。

Apr, 2023

本研究使用人工神经网络模型结合一组合成暴风模拟数据库，研究了该模型模拟风暴潮水平的能力；使用时间序列模型 Long short-term memory，和结合卷积神经网络的 ConvLSTM 模型捕捉数据的时空相关性；该模型的性能优于高斯过程实现多个合成风暴数据库的结果。

Apr, 2022

本研究提出了一种基于图卷积 GRUs 网络的模型，通过上游河网对传感器位置未来 36 小时内的水文流量进行预测。实验结果表明，该模型在短期内的水文流量预测方面比持续性基线和卷积双向 GRU 网络都表现更好，有望在未来的洪水预防和减灾中发挥重要作用。

Jul, 2021

此研究利用 ConvLSTM 神经网络将天气雷达数据应用于短期降水预测，通过卷积神经网络层进行空间模式识别和 LSTM 网络层进行时间序列建模，构建了一个包含九层的自动编码器模型。结果表明，ConvLSTM 网络在气象预测中有着高准确性，尤其在天气复杂的地区具有显著潜力，为气象任务提供了一种更准确、数据驱动的方法。

Dec, 2023

本文将降水短时预报问题作为时空序列预测问题，并使用卷积 LSTM (ConvLSTM) 构建可端到端训练的模型，数据实验表明，相比全连接的 LSTM 和 ROVER 算法，ConvLSTM 能够更好地捕捉时空相关性，并在降水短时预报中具有更好的预测性能。

Jun, 2015

该研究提出了一种新的 Trajectory GRU（TrajGRU）模型以解决天气预报中的位置变化问题，并提出了一个基准数据集和评估标准，旨在为未来的研究提供方便，并衡量该领域的技术水平。

Jun, 2017

使用 Spatiotemporal Graph Convolutional Recurrent Neural Network 模型，结合 GCN 框架和 RNN 结构进行空气质量预测，相较于目前最先进的 ConvLSTM 模型具有更好的性能，并且参数数量更少；在实际空气污染数据集中优于混合 GCN 方法。

Apr, 2023

通过使用卷积神经网络（CNN）和长短期记忆网络（LSTM），本文介绍了一种创新的方法来建立可靠的时间序列预测模型，用于电网频率。这些模型能够有效地捕捉电网频率数据中的时空复杂性，显著提高预测准确性并增强电网可靠性。

Oct, 2023