本研究首次应用深度学习技术来检测极端气候事件，通过开发一个基于深度卷积神经网络的分类系统和联合贝叶斯优化方案，实现了在热带气旋、大气河流和天气前沿等方面对于极端事件的检测准确率达到 89%-99%。

May, 2016

深度学习天气预测模型的预测准确性正在迅速提高，但仍存在需求，需要综合评估这些新兴技术的全面性。通过对比三个案例研究，我们发现机器学习的天气预测模型在创纪录的极端天气事件中可能能够达到与高分辨率天气预测系统相似的准确性，但其在极端条件下的外推能力可能比后者更受影响。这些研究可以为现有研究提供补充，增加公众信任，并有助于开发可靠的机器学习天气预测模型。

Apr, 2024

我们尝试优化一种新型轻量级上下文引导的卷积神经网络，通过对特征处理、数据增强、损失函数和架构的修改，提高对气候数据中的热带气旋和大气河流的语义分割，尤其着重于最具破坏性的天气现象 —— 热带气旋的检测，采用加权损失函数以改善珍稀事件的类别不平衡性，具有一定的成功性。这个研究有利于提高掌握气候变化影响下的极端天气事件检测的能力，为预测、缓解和公平适应气候变化带来新的方向。

Mar, 2023

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

该研究通过应用机器学习算法，分析了各种算法在使用达卡市一个气象站 20 年数据预测降水和温度变化模式方面的贡献和性能指标。研究结果突出了显著成就，并提供了有价值的洞察和特征相关性。

Feb, 2024

近期基于深度学习的时序降水预测模型研究进展与性能评估综述

Jun, 2024

该论文回顾了大型模型，尤其是采用深度学习技术的模型在天气预报中的进展和应用，强调它们在改善传统预报方法方面的作用。这些模型利用卷积神经网络（CNN）、图神经网络（GNN）和 Transformer 等先进的神经网络架构来处理各种气象数据，提高了各种时间尺度和空间分辨率上的预测准确性。论文还讨论了该领域的挑战，包括数据获取和计算需求，并探索了模型优化和硬件进展的未来机会。它强调了人工智能与传统气象技术的整合，承诺提高天气预报准确性，并在应对与气候相关的挑战方面做出重要贡献。这种协同作用将大型模型置于气象预报不断发展的前沿地位。

Apr, 2024

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

本研究使用生成对抗网络（GAN）优化了一种最先进的深度学习降水模型（FourCastNet），从而能更有效地捕捉极端百分位的全球降雨量，预测准确率优于其他数值天气模型。

Oct, 2022

分析了深度学习用于遥感数据分析的挑战、近期进展及如何利用该技术应对包括气候变化和城市化等前所未有的大规模具有影响力的挑战，鼓励遥感科学家将自己的专业知识带入深度学习，并将其作为隐式通用模型。

Oct, 2017