本研究将机器学习和数据同化相结合，提出了一种迭代方法来纠正现有知识型模型的误差，为地球科学建立了一个混合替代模型，该模型在短期到中期范围内有更好的预测表现

Oct, 2020

该研究介绍了一种新的方法，该方法基于数据同化和机器学习的组合，以模拟隐藏的、可能是混沌的动态和预测它们的未来状态。该方法通过迭代应用数据同化步骤和神经网络来更新替代模型，并证明了方法对于低维系统具有成功的协同作用，鼓励进一步研究更复杂的动态系统。

Jan, 2020

本文提出了一种基于机器学习和数据同化的方法，用于从具有噪声和稀疏观测的直接数据中训练基于参数化模型的机器学习模型，在 Lorenz 模型和 MAOOAM 模型中证明，相较于截断模型，该模型具有更好的对系统吸引子的预测能力和更好的预测技能。

Sep, 2020

利用深度学习方法，将物理系统建模为一系列由神经网络参数化的粗粒度高斯先验分布，从而定义一个同化算子，并通过与传统变分数据同化方法的比较，在具有稀疏观测的混沌动力学物理系统上展示了其准确性和加速效果。

Jun, 2024

我们介绍了一种新的数据同化策略，利用强化学习以完整或部分观测状态变量应用状态修正，重点在于演示该方法在混沌洛伦兹 '63 系统中的应用，其目标是最小化观测值和相应预测状态之间的均方根误差，结果表明开发的强化学习算法在与集合卡尔曼滤波相比时表现出色，并展示了该代理在同化非高斯数据方面的能力。

Jan, 2024

本研究论文评估了得分为基础的数据同化方法（SDA）在高维地球物理动力系统中的可伸缩性，并提出了对得分网络架构的修改，旨在显著减少内存消耗和执行时间。通过对一个双层准地转流模型的实验结果，证明了该方法的前景。

Oct, 2023

研究使用机器学习和数据同化技术，利用替代模型对地质碳储存项目进行集成，并在保持高保真度的情况下得到后验状态的结果。结果表明，利用机器学习模型进行数据同化可以显著提高标准 ESMDA 过程的速度，并且使用替代模型实现的随机最大似然方法在确定性建模和不确定性量化方面优于传统的 ESMDA 方法。

Feb, 2024

开发了基于深度学习的代理模型，用于预测渠道化地质模型中的动态地下水流。它通过深度卷积和递归神经网络结构来支持，特别是使用了长短时记忆循环网络。使用深度代理模型可以减少预测的不确定性，提高模型速度，可能在未来应用更正式的后验采样方法来解决现实问题。

Aug, 2019

通过深度生成模型，我们提出了 SLAMS 方法，用于使用实际数据集进行多模态数据同化，将现场天气站数据和卫星图像数据同化以在全球范围内校准垂直温度剖面，这是构建强大的计算模拟器的重要步骤。

Apr, 2024

本文主要介绍了一种实用的数据同化方法 —— 基于集合卡尔曼滤波算法，它将系统状态及其不确定性表示为系统状态的集合，重点在于易于使用和计算速度而非提高准确性。作者通过一些数值实验证明了该方法在全球天气预报模型下合理有效地同化真实大气数据的效率和准确性。

Nov, 2005