自 1993 年以来，卫星测高仪观测表明全球平均海平面正以空前的速度上升（每年 3.4 毫米）。我们利用机器学习（ML）技术研究了海平面变化的未来模式，以了解气候变化信号如温室气体、气溶胶和生物质燃烧在海平面上升中的贡献，并用于未来海平面变化的预测。我们提出了一种利用卫星观测和气候模型模拟相结合的机器学习框架，以 30 年为期限进行 2 度分辨率的海平面上升预测。我们通过训练全连接神经网络（FCNNs）进行非线性融合，预测测高仪数值（1993-2019 年）。然后将学习到的 FCNNs 应用于未来的气候模型预测，以预测未来的海平面模式。我们提出将空间数据集分段成有意义的聚类，并显示聚类有助于改进我们的机器学习模型的预测能力。

Aug, 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

利用多模型集合气候预测，通过降低不确定性精确可靠地预测未来海平面上升是一个重要问题，本文提出了一个区域回归模型来解决空间变异性和模型相互依赖性，并通过实验结果表明该方法在区域尺度上能给出更可靠的预测。

Oct, 2023

该研究尝试使用图重新采样和图神经网络应用于全球海表温度预测，并发现其在大多数海洋中以均方根误差为衡量标准比持续模型具有更好的一个月的预测效果。

Apr, 2023

在追求计算效率的过程中，提出了训练高保真、基于深度学习的沿海洪水预测模型的系统框架，通过与地质统计回归方法和传统机器学习方法进行性能验证，表明其对预测质量的显著提升，并提供了阿布扎比海岸的综合数据集，用于评估未来的沿海洪水预测模型。

Jun, 2024

本研究应用基于注意力的长短期记忆（LSTM）集成模型，使用来自 NSIDC、ERA5 重分析产品的海冰数据和大气、海洋变量，对未来一个月的月度海冰范围进行预测，并证明了其优于现有深度学习模型和基线模型。此研究表明数据驱动的方法在预测北极海冰变化方面具有潜力。

Jul, 2021

基于深度学习模型及统计分析方法，我们提出了 MT-IceNet，一种预测北极海冰浓度的模型，通过处理多时空输入流来生成未来时间步的空间地图，表现出有希望的预测性能。

Aug, 2023

利用卫星高度计结合数据同化和最优插值方案深刻地提高了我们监测海表面动态的能力。最近，深度学习方案已成为解决时空插值问题的吸引人的解决方案。然而，海表面实际卫星高度计数据在时空覆盖方面的稀缺程度阻碍了对最新神经方案在实际案例研究上的训练。在这里，我们利用海洋动力学模拟和卫星高度计数据来训练基于模拟的神经映射方案，用于海表面高度，并展示其在实际卫星高度计数据集上的性能。我们进一步分析了训练阶段使用的海洋模拟数据集对性能的影响。我们的基准测试框架侧重于海湾流域，在使用 NEMO 海洋模拟和 4DVarNet 映射方案的真实 5 颗卫星高度计组合的情况下进行比较。所有基于模拟的 4DVarNets 均优于运行中的基于观测和再分析产品，即 DUACS 和 GLORYS。训练阶段使用的海洋模拟数据集越真实，映射效果越好。最佳的 4DVarNet 映射是从丰富的涡旋和无潮数据集中训练的，在分辨率上优于 DUACS（151 公里）和 GLORYS（241 公里），达到了 98 公里，并且均方根误差（RMSE）减少了 23% 和 61%。这些结果为基于学习的方法在海洋建模和海洋观测之间开辟了新的研究途径。

Sep, 2023

利用 LSTM 深度学习网络模型对风暴潮预测模型中系统误差进行预测和修正，能够提高预测准确性。

Mar, 2024

引入球谐神经算子 (SHNO) 的研究以改善长期迭代预测，通过减轻球面数据的扭曲并纠正由虚假相关引起的谱偏差，通过应用于球面浅水方程 (SWEs) 和中长期全球天气预报验证了其有效性和优点，强调了 SHNO 提高长期预测准确性的潜力。

Jun, 2024