本文探讨了利用模拟的三维环境中的图像来改善 MUNIT 结构进行的领域适应任务的潜力，旨在利用生成式对抗网络生成具有真实性和个性化的图像并保持其可识别特征，以提高人们对气候变化潜在影响的认识。

Jan, 2020

本文通过比较 IBMWeathergen、RGeneratePrec 两种天气生成器和 GAN、VAE 两种深度生成模型，初步比较了这些模型在多站点降水合成任务中的表现，并为深度学习架构和算法的设计提供了指南。

Jul, 2021

使用基于生成对抗网络 (GANs) 的有条件 GAN 的 geospatial downscaling 方法，从低分辨率输入中生成高分辨率准确的气候数据集，并明确考虑了下尺度过程中的不确定性。

Feb, 2024

本文提出了一种基于 GAN 的方法，可以在检测到极端天气事件的条件下生成时空气象模式。该模型可以与自定义 GAN 架构相结合，并在真实的表面辐射和纬向风数据的实验中得到应用。

Apr, 2021

应对气候变化需要准确的本地气候信息，最近的研究使用生成对抗网络 (GANs) 这种深度学习方法，以高效地学习复杂分布和缩放气候变量。为了估计不确定性和表征极端事件的关键信息，捕捉缩放过程中的变异性至关重要。因为缩放是一个不确定问题，许多细致的状态在物理上与粗粒度状态一致。为了量化这个状态不明确的问题，缩放技术应该是随机的，并能够在低精度输入条件下从高精度分布中采样。我们提出了三种改进 GANs 随机校准的方法：a）在网络内部注入噪声，b）调整训练过程以明确考虑随机性，c）使用概率损失度量。我们首先在具有已知分布特性的合成数据集上测试了我们的模型，然后在实际缩放场景中进行了测试，从低分辨率气候协变量预测高分辨率风场分量。仅仅注入噪声即大大改善了在合成数据测试中的条件和完整分布的质量，但对风场缩放表现不佳，在这种情况下模型仍然缺乏离散度。对于风场缩放，我们发现调整训练方法并增加概率损失可以改善校准。最佳模型通过三种改变在捕捉高精度分布的完整变异性方面显示出了显著提升的技能，从而更好地描述极端情况。

May, 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

本文介绍了应用生成对抗网络来提高天气预报模型低分辨率输出数据的分辨率和结构，以匹配高分辨率雷达测量数据。结果表明，该模型可以匹配现有的最佳降尺度方法，而且在像素、空间和统计数据上表现优异。

Apr, 2022

本文探讨了利用生成对抗网络 (GANs) 进行时序数据的合成预测，从而实现在数据中心 (Data Center) 中生成大量可供人工智能算法使用的合成数据的目标，同时提出了通过综合考虑 Kullback-Leibler 散度和均方误差这两个新测量指标来验证合成时间序列的方法，并通过实际数据进行验证。该研究能帮助优化数据中心的能源消耗，而所提出的方法也可应用于类似的时间序列问题。

Jan, 2022

本文提出了一种新型时序生成对抗网络 (Time Series GAN，TSGAN)，并以基准时序数据库中的 70 个数据集作为评估对象，证明了 TSGAN 相较竞争对手表现更好，既在 Frechet Inception Score (FID) 度量中表现更佳，也在分类评估标准上具有更好的定性表现。

Jun, 2020

气候风险和复合灾害的分布对于了解气候风险和指导适应政策至关重要。本研究使用生成对抗网络（GANs）模拟了孟加拉湾的极值风速、显著波高和总降水量，结合传统的极值理论进行尾部推断，为气候风险评估和灾害应对提供了有效的方法。

Nov, 2023