通过使用侧信息的相似度和参数学习方法，本文提出了两种用于回归的零样本方法，用于预测气象站的空气污染物数量，并在人工数据集、UCI 存储库社区和犯罪数据集以及污染物方面进行了比较。这两种方法均优于基线方法，但参数学习方法表现出了较高的优越性。
Feb, 2024
通过使用物联网传感器网络和先进的机器学习技术，结合精确及时的超本地天气预测和异常检测，我们提出了一种新颖的方法。我们的方法利用来自多个空间分布但相对较近的位置和物联网传感器的数据，创建能够预测短期、局部天气条件（如温度、压力和湿度）的高分辨率天气模型。通过监测这些位置之间的天气参数的变化，我们的系统能够提高预测的空间分辨率并实时有效地检测异常。此外，我们的系统采用无监督学习算法来识别异常的天气模式，并提供及时的警报。我们的研究结果表明，该系统有可能增强决策能力。
Oct, 2023
使用机器学习模型梯度提升决策树，通过训练历史数值天气预报和站点观测数据，优化澳大利亚多个地点的温度和露点的预测，结果显示与传统方法相比有显著改进，并结合 SHapley Additive exPlanations 对机器学习预测结果进行解释和提高预测可靠性。
Apr, 2024
我们提出了一种自适应深度学习框架，可以为任何地点的降雨预测提供解决方案，并通过使用深度神经网络对巴黎、洛杉矶和东京的降雨预测进行适应后，取得了 43.51%、5.09% 和 38.62% 的改进。
通过两种预测方法（储水层计算和向量自回归模型）研究了远程地点的气候要素的低成本和准确预测，发现预测精度随观测地点与目标地点之间的距离降低而下降，机器学习方法可以更有效地预测远程地点的气候要素。
Jun, 2024
本文介绍了一种基于深度学习模型（UNet++），利用 ERA5 重分析数据集和全球 CMIP6 模型进行训练和验证，以预测未来一个月的全球温度，发现该模型可以显著地提高预测准确度。
Feb, 2023
本文提出了一种有效利用多个气象站基于地面气象观测的注意力方法 ASOC，且可以与现有基于图像的降水预测模型相结合，改善其预测效果。研究结果表明，使用该方法与现有模型相结合，可以将 1-6 小时超过 1 毫米 / 小时和 10 毫米 / 小时降雨事件的平均关键成功指标（CSI）提高 5.7％。
Oct, 2022
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
构建了一个以机器学习为基础的混合模型框架，通过结合基准宏观气象模型和局部观测数据，提高了每个基准模型的预测能力。该研究表明，在某些情况下，只需很少的观测数据，混合模型和仅使用局部观测数据的模型就能胜过三个基准宏观气象模型的性能。
采用深度学习技术中的 UNET 卷积神经网络，将高分辨率（1km × 1km）短期（1 小时）降水预测视为图像翻译问题，用于气候变化适应的高分辨率实时预测，表现优于光流、持续性和 NOAA 的数值一小时 HRRR 气象预测模型。
Dec, 2019