介绍了机器学习如何在减少温室气体排放和帮助社会适应气候变化方面发挥重要作用。提出了许多合作机会和有前途的商业机会，并呼吁机器学习社区为应对气候变化加入全球行动。

Jun, 2019

该研究对行为预测算法在日常生活场景中的最新进展进行了回顾和分类总结，着重关注深度学习方法。此外，研究还探讨了常见的评估指标和数据集，并提出了未来的研究方向。

Sep, 2023

本文利用 Delphi Best Worst 方法和机器学习方法，探讨了数字科技在减轻极端天气的影响方面的推动因素。结果显示，人工智能预测性是最重要的标准和作用，而群众市场潜力则是最不重要的标准。作者构建的方法可以帮助决策者制定策略和干预措施，以保障可持续生产和投资改善人工智能技术以减少极端事件的不利影响。

Sep, 2022

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

近年来，人工智能（AI）深刻影响了各个领域，包括地球系统科学。本文回顾了如何利用 AI 分析极端事件（如洪水、干旱、野火和热浪），强调创建准确、透明和可靠的 AI 模型的重要性。我们讨论了处理有限数据、实时信息整合、部署模型以及使其可理解的挑战，这些对于赢得利益相关者的信任和满足监管需求至关重要。我们概述了如何通过 AI 更有效地识别和解释极端事件，提高灾害应对和沟通能力。强调跨不同领域的合作，以创建实用、可理解和可信赖的 AI 解决方案，用于分析和预测极端事件。这种合作努力旨在增强灾害准备和减少灾害风险。

Jun, 2024

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

复杂的机器学习模型在天气和气候预测中取得了高预测准确性，但不透明性限制了用户的信任和模型的进一步改进。因此，提高天气和气候模型的可信度和效用至关重要，我们调查了当前应用于气象预测的可解释机器学习方法，并将其分为后处理可解释性技术和从头开始设计可解释性模型两大范 Paradigm。最后，我们讨论了实现与物理原理相一致的更深层次的机械解释，开发标准化评估基准，将可解释性融入迭代模型开发工作流程以及为大型基础模型提供可解释性所面临的研究挑战。

Mar, 2024

人工智能在地球和大气科学领域日益采用数据驱动模型，通过深度学习技术对地球系统的混沌和非线性方面进行解码，以及通过理解天气和气候数据来应对气候挑战。这篇综述全面介绍了针对天气和气候数据专门设计的最先进的人工智能方法，特别关注时间序列和文本数据，同时深入研究了该领域的挑战，并提出了未来研究的详细意见。

Dec, 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

我们开发了一种基于人工智能的模型，能够提前七天预测极端水文事件，该模型在全球各大洲、各种提前期和重现期下均优于现有的全球水文模型，特别适用于没有测量的流域，该研究的成果已被纳入全球超过 80 个国家的运行中的预警系统，提供免费的实时预测。

Jul, 2023