该论文提出了一种名为 NeuroClim 的框架，用于采用脑神经算法设计气候混合仿真，并为此提供了一个平台、一个数据集和一种量化的评估方法，以促进人工智能和气候研究的交叉。

Aug, 2022

该研究论文讨论了基于深度学习模型的区域气候模拟器的可迁移性问题，发现该方法能够模拟区域气候模型的某些气候特征，但在不同全球气候模型间存在一定偏差，限制了其在建立区域气候预测集合方面的适用性。

Nov, 2023

本文选用六种模型（灰色预测模型、ARIMA 模型、SARIMAX 模型、人工神经网络模型、随机森林模型和长短时记忆模型）对中国所有部门（电力、工业、地面交通、住宅、国内航空、国际航空）在 2020 年 1 月 1 日至 2022 年 9 月 30 日的日期间序列数据进行预测，结果表明长短时记忆模型具有最佳的预测性能。

Feb, 2023

数据驱动的深度学习模型正在改变全球的天气预报，但能否成功应用于气候建模仍存在挑战。本文提出了首个能够生成准确且物理一致的全球气候集合模拟的条件生成模型。我们的模型每隔 6 小时进行一次时间步骤，并在 10 年的模拟中保持稳定。我们的方法超越了相关基准，并几乎达到了成功模拟气候模型的黄金标准。我们讨论了基于动力学信息扩散模型的关键设计选择，这为高效的数据驱动气候模拟迈出了重要一步，有助于更好地理解地球并适应不断变化的气候。

Jun, 2024

通过在气候模型中嵌入基于高分辨率 Unified Model 模拟的多输出高斯过程（MOGP）的训练，我们克服了与云形成相关的气候模拟中的长期偏见。利用 MOGP 预测的温度和比湿的变化，对简化的大气环流模型 SPEEDY 进行在位耦合。将 SPEEDY 的温度和比湿剖面按照 MOGP 预测的变化进行固定间隔的扰动。生成了控制模型和混合 ML 模型的十年预测。混合模型将全球降水偏差减少了 18％，在热带地区减少了 22％。为了进一步了解这些改进的驱动因素，我们还探索了一些感兴趣的物理量，如抬升指数值的分布和哈德利环流的改变。在温暖的气候环境中，还运行控制和混合设置的海面温度增加 4K 的实验，以探索该方法对云覆盖和降水模式的影响。

Jun, 2024

应用因果表示学习中的单亲解码方法（CDSD）对多个气候数据集进行评估，重点关注排放、温度和降水，揭示使用 CDSD 作为更可解释和稳健的气候模型的跳板的挑战、限制和前景。

Dec, 2023

本研究使用三种回归模型（线性回归，梯度提升，支持向量机）来预测医疗保险成本，并以 RMSE、R Square 和 K-Fold 交叉验证为评估指标。结果表明，在这些模型中，梯度提升的 R Square 最高 0.892，RMSE 最低 1336.594。研究总结认为，梯度提升模型在这三种模型中表现最好。同时，探索性数据分析显示，最高的费用是由于吸烟这一特征引起的。

Apr, 2023

通过基于神经网络的模拟器，本研究在未来的气候变化情景下，建立了海平面变化与地球重力、旋转和形变（GRD）效应之间的关联。通过采用机器学习模型输出的非线性回归后处理技术，我们推导出了对模拟的海平面变化的预测区间，并展示了神经网络模拟器在准确性和计算效率上的优势。

Jun, 2024

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

比较新提出的回归算法与传统机器学习算法（决策树、随机森林、KNN 和 XG Boost）的性能，使用平均绝对误差作为性能度量标准在各种数据集上进行深入比较，展示了新的算法具有的潜力和鲁棒性。

Jun, 2023