全球变暖引发的甲烷 (CH4) 排放对环境的影响，催生了大量的研究项目，旨在开发能够主动和快速检测 CH4 的新技术。本文使用多个数据驱动的机器学习（ML）模型测试了它们在识别泄漏的 CH4 及其相关强度方面的表现。模拟中包含了多种气象特征，包括风速、温度、压力、相对湿度、水蒸气和热通量。我们采用集成学习方法，构建了一系列基于多个较弱低层 ML 模型的加权集成 ML 模型，用于 (i) 作为分类问题检测 CH4 的存在和 (ii) 作为回归问题预测 CH4 的强度。

Dec, 2023

这项研究通过机器学习方法和 Sobol 敏感性分析，确定了针对东南澳大利亚地区的 WRF 模型参数，对温度、相对湿度和风速等气象变量的敏感性，并发现在这两次极端热事件中，散射调整参数、饱和土壤含水量乘数和动量扩散系数的剖面形状指数这三个参数对于考虑的气象变量是重要的。

Jul, 2023

该研究建立了一个名为 METER-ML 的多传感器数据集，包含标记 85,599 张图像的美国甲烷源设施，并实验了不同的模型，最终找到了一个精度召回曲线下面积达到 0.915 和 0.821 的最佳模型，证明了大规模映射的潜力。

Jul, 2022

建模对理解温室气体、全球变暖和冰盖融化对海洋的影响至关重要。神经网络模型精确预测了理想化海洋模型的一步前向动力学，并计算了参数敏感性。

Nov, 2023

本研究借助机器学习作为一个新的参数化方式，直接从高分辨率模型输出中学习新的对流参数化，然后进行了为期一年的筛查，确保新的参数化方式与原有的传统参数化方法保持一致，而且还对该新方法的效果进行了评估，结果表明，该方法能够更准确地模拟气候特征。

Jun, 2018

通过基于物理仿真的遥感影像监测方法，我们提出了一种新的基于深度学习的定量甲烷排放监测框架，该框架包括甲烷浓度反演、甲烷烟团分割和甲烷排放速率估计三个子任务，并引入多任务学习模型来提高准确性。

Jan, 2024

利用深度学习方法可以自动化检测卫星多光谱数据中的甲烷泄漏，无需事先了解潜在泄漏点，从而大幅降低误报率，为全球点源甲烷排放的自动化、高清晰度和高频率监测铺平了道路。

Aug, 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

使用机器学习模型模拟全球大气重力波通量，以替代传统的单柱参数化方法，展示了全局非局域性在使用数据驱动方案模拟大气重力波时的重要性和有效性。

Jun, 2024

通过使用 SMARL 和湍流物理的基本原理，仅使用几个高保真样本进行了训练，并针对大气和海洋湍流的原型学习了闭合模型，结果表明 SMARL 在 GCMs 的闭合建模方面具有高潜力，尤其是在数据稀缺和间接观测的情况下。

Dec, 2023