应用条件正规化流方法进行气候变量降尺度，成功对不同上采样因子的 ERA5 水含量数据集进行了性能展示，并展示了该方法能够通过拟合条件分布均值得出的标准差来评估预测的不确定性。

May, 2024

本文研究了使用生成模型改善高分辨率气象数据在一些应用中的空间一致性问题，特别是在降水降尺度方面，该方法可应用于水文学等领域以应对气候变化。

Apr, 2023

使用深度学习模型进行 Earth System Models 的降尺度模拟，该方法不需要高分辨率真实数据，具有优越的性能和广泛应用于气候研究的潜力。

Jan, 2024

提出了一种结合元学习的统一降尺度方法，旨在便捷降尺度不同气象变量，在不同时空尺度下。实验证据表明，该方法在定量和定性评估方面优于现有的顶层降尺度方法。

Apr, 2024

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

本文提出了一种基于去噪扩散概率模型（DDPM）的深度生成模型，用于区域尺度的气候数据降尺度，通过多个低分辨率气候变量的条件生成，实验证明该模型在降尺度气候数据方面具有显著改进，突出了条件扩散模型在气候数据降尺度中的有效性。

Dec, 2023

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

通过使用深度卷积神经网络和其他技术，将低分辨率的降水数据降尺度为高分辨率的数据，以追踪降水并提高气候下缩放模型的预测准确性。

Mar, 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

气候变化加剧了如大雨和洪水等极端天气事件。本文提出了一种新的机器学习框架，用于同时进行偏差校正和下尺度处理。通过在观测数据上训练生成性扩散模型，并对观测和地球系统模型数据进行映射，我们的方法能够纠正任何地球系统模型的地理要素，确保了统计质量并保留了大尺度空间模式。

Apr, 2024