季节性气候预测对于管理极端天气事件影响以及农业和能源等行业的规划具有重要的社会经济意义。本研究介绍了 Ocean-linked-atmosphere (Ola) 模型，这是一个高分辨率 (0.25°) 的人工智能 / 机器学习耦合地球系统模型，使用自回归 Spherical Fourier 神经算子架构分别对海洋和大气动力学进行建模，以实现季节尺度上快速、精确的大量集合预测。Ola 模型表现出了海洋 - 大气耦合动力学的学习特征，包括适当相速的热带海洋波，以及在海洋混合层内具有逼真的振幅、地理结构和垂直结构的内部产生的厄尔尼诺 / 南方振荡 (ENSO)。我们提供了预测 ENSO 的初步证据，与地球物理流体力学实验室的 SPEAR 模型相比具有良好的预测能力。

Jun, 2024

研究介绍了 OceanNet，一种基于神经算子方式的洋流数字孪生技术，用于解决海洋建模中的复杂性问题以及季节性预测任务，通过利用历史海面高度数据进行训练，OceanNet 通过超过优化的现代动力学海洋模型预测降低计算量 500,000 倍，展示了物理启发的深度神经算子作为高效替代品的潜力。

Oct, 2023

通过将机器学习与传统物理模型相结合的混合建模方法，本研究探索了超出中期的天气预测潜力。基于 SPEEDY 模型，该混合模型在预测实验中使用了机器学习变量和简化参数化大气环流模型，并在预测 El Niño 循环和降水的赤道变异方面表现出与高分辨率传统物理模型相当的预测能力。

May, 2024

在本文中，我们使用先进的机器学习方法，包括序列模型（LSTM 和 Transformers）和关系模型（图神经网络），建立了一个在巴西东南海岸 Santos-Sao Vicente-Bertioga 海湾地区可以预测洋流速度和海面高度等环境变量的数据驱动模型，并将我们的结果与 Santos 操作预测系统进行了比较，证明了我们的模型可以在保持一定的灵活性和少量领域知识依赖性的同时实现更好的预测效果。

Jun, 2022

提出了一种混合人工智能气候建模方法，使用深度神经网络和数学方法相结合的方法进行气候目标仿真，通过神经符号语言实现可解释性。该方法能够在发现气候临界点方面提高精度，具有潜在的加速计算机不可行的快速气候临界点相关研究的能力。

Feb, 2023

深度学习模型框架在预测时间序列数据方面具有潜在应用，尤其是在大气和海洋领域。本研究探讨了利用深度神经操作模型对经典流体流动和真实海洋动力学进行重现和预测的可能性，并证实了这些模型对理想化周期性涡流脱落和真实海洋表面流动的一些特征的预测能力。

Aug, 2023

OceanGPT 是第一个专注于海洋领域的大型语言模型，通过 DoInstruct 框架和 OceanBench 评测系统，在海洋科学任务上展示了更高水平的知识专业性，并在海洋技术中具备初步的具身智能能力。

Oct, 2023

通过将不同的大气动力学求解器与机器学习组件相结合，我们展示了首个能够生成确定性天气、集合天气和气候预测的 GCM 模型 NeuralGCM，其预测能力与最佳的机器学习和基于物理的方法相当，同时在天气和气候方面，我们的方法相对于传统 GCMs 有数量级的计算节省，并能够增强对地球系统的理解和预测所必需的大规模物理模拟。

Nov, 2023

海洋动力学的准确和高效建模对于对复杂的海洋环流和过程的深入理解、预测气候变化及其相关的远程联系以及应对气候变化的挑战至关重要。本研究介绍了 ORCA（可靠海洋预测模型），这是首个能够在多年到十年时间尺度上预测全球海洋环流的数据驱动模型。ORCA 能够准确模拟全球海洋的三维环流和动力学，并具有高度的物理一致性。回顾性预测表明，ORCA 与最先进的数值海洋环流模型相比，在预测海洋变化和捕捉亚表层海洋和 ENSO 垂直模式的极端事件发生方面具有出色的预测能力。这些结果展示了数据驱动的海洋模型为提供廉价、高效和准确的全球海洋建模和预测的潜力。此外，ORCA 在十年时间尺度上稳定且忠实地模拟海洋动力学，展示了其在气候预测中的潜力。模型可在此 https 网址获取。

May, 2024

本研究提出了基于深度学习的 OxyGenerator 模型，用于重建从 1920 年到 2023 年的全球海洋缺氧情况。通过引入分区变化的图消息传递和溶解氧变化的归纳偏差来捕捉复杂的海洋学关联关系，该模型在重建中显著优于 CMIP6 数值模拟，减少 MAPE 38.77%。对于以数据驱动的方式理解 “无氧海洋” 具有巨大潜力。

May, 2024