利用深度学习可以以极小的计算代价代替传统的云细度建模的层状参数化方法，实现全球多年的气候预测。

Jun, 2018

本文通过应用非线性因果机器学习方法，研究气溶胶对云滴半径的异质性影响。

Oct, 2021

本文介绍了新颖的深度学习去噪扩散概率模型（DDPM）方法，用于从投影质量表面密度图中推断巨大分子云（GMC）的体积或数量密度，该扩散方法相较于其他方法，能在预测数量密度方面提高一个数量级。

Apr, 2023

本文提出了使用基于扩散映射的生成模型来降低理想地球物理流体模拟的方法，生成高分辨率图像，避免额外的校准或培训，并适用于多个源和目标域的组合，而不需要训练新模型。

May, 2023

使用机器学习和气象和气溶胶条件，预测和分析云的特性和与之相关的因素，模型表明，气象和气溶胶条件可以以预测云的性质并具有显着的影响。

May, 2023

研究云对地球气候系统的影响，并提出通过AI辅助可视化分析的混合模型来设计和测试海上云增白技术以评估其对气候模式的影响。

May, 2023

通过在 climate science 和 meteorology 领域中，利用 statistical downscaling 方法实现 local precipitation predictions 的数据驱动降尺度化，本研究通过扩展最近的视频扩散模型，结合光流和时间条件扩散模型，成功实现了高分辨率降水模式的预测。

Dec, 2023

云微物理是气候和天气现象的重要组成部分，本研究开发了一种基于机器学习的模拟器SuperdropNet，通过学习大量基于液滴的模拟数据集，精确地预测了水物理状态和云到雨的转变时间，在许多情况下，超越了传统的物理模型。

Feb, 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

本研究针对大气科学中机器学习（ML）模型附加价值解释的难题，提出通过全层次的帕累托最优模型来指导模型开发。研究表明，使用帕累托前沿可以有效提升对模型复杂性的理解并改进模型性能，尤其在云覆盖参数化、短波辐射传递模拟和热带降水建模中均表现出显著的潜在影响。

Aug, 2024