本文研究了如何使用变分自编码器将气候数据映射到已知分布，以探索偏差并控制合成更极端的天气场景，实验结果表明，将复杂的气象数据映射到已知的分布中可实现对天气场景的合成及控制。

Jul, 2021

本研究介绍了XAI在气候研究中的应用，并评估了不同的解释属性，建立在先前的工作和训练多层感知器MLP和卷积神经网络CNN进行预测，我们发现Integrated Gradients，Layer-wise relevance propagation和InputGradients表现得很好。

Mar, 2023

本文提出了一种基于扩散模型的深度学习模型，能够在只需小部分计算资源的情况下，准确模拟出影响人类行为的气候极端事件，并成功地生成了地球物理模型中的现象，比如高温，干旱和降雨强度。

Apr, 2023

ClimateLearn是第一个大规模的开源项目，旨在将气象和气候模型与现代机器学习系统进行连接，它能够大大简化机器学习模型的训练和评估，并包括综合流程，实现深度学习模型和定量和定性评估。

Jul, 2023

我们提出了一个两阶段的概率时空预测流程：1）我们开发了PreDiff，一个能够进行概率预测的条件潜在扩散模型。2）我们通过在去噪步骤中估计所施加约束的偏差并相应地调整过渡分布，结合了显式的知识控制机制，以使预测与领域特定的物理约束相一致。实验在两个数据集上进行，分别是具有混沌行为的合成数据集N-body MNIST和代表降雨预测的真实世界数据集SEVIR。实验结果显示PreDiff在处理不确定性、整合领域特定先验知识和生成具有高操作效能的预测方面的有效性。

Jul, 2023

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

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

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

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

本研究针对卫星图像与气象数据整合的区域气候变化预测模型中，难以理解气象变量与土地表面演变的复杂关系这一问题，提出了一种新的可解释性管道。该管道结合了扰动基础和全局边际可解释性技术，简化了对复杂时空深度模型的多样性分析。研究发现降水对土地表面的影响最为显著，其次是温度和气压，并揭示了气象变量与植被指数之间的非线性相关性。

Aug, 2024