该论文基于数据驱动的深度学习技术，提出了 FourCastNet 这一可以比当前基于物理的数值天气预报快 80000 倍并且准确性优于状态 -，预测全球天气、产生中程预报的系统。同时，FourCastNet 还可以生成准确的即时天气预测，提高了全球预测的分辨率。

Aug, 2022

FourCastNet 是一个全球数据驱动的天气预报模型，利用神经网络技术在短时间内生成高分辨率、快速时间尺度的变量预测，包括风速、天气等，速度快，且适用于扩大概率预测的大范围应用。

Feb, 2022

本文介绍了通过使用基于 transformer 的算法来解决 NeurIPS 2022 中的 Weather4cast 挑战，预测在接下来的 8 小时内的降雨事件，并通过将不同的 transformer 和基线模型进行集合，获得了最好的性能。

Dec, 2022

该研究承担了预测卫星气象数据的二维场的时间演变的任务，使其成为一个更加具有竞争力的浅层模型版本，并采用了 AdaBelief 优化器和改进处理，其中预测变量训练集与验证集不匹配时，通过使用多个模型来提高表现。

Nov, 2021

使用机器学习代理模型和部分、嘈杂观测，本研究调查在线天气预测。我们经验性地证明并理论上证明，尽管代理模型长期不稳定且观测稀疏，但滤波估计在长期时间范围内仍然准确。作为一个案例研究，我们在变分数据同化框架中使用 FourCastNet，一种最先进的天气代理模型，使用部分、嘈杂的 ERA5 数据。我们的结果表明，在一年的同化窗口中，滤波估计保持准确，并为包括极端事件预测在内的预测任务提供有效的初始条件。

May, 2024

通过在 ERA5 数据上训练经过最小改进的 SwinV2 Transformer 模型，我们展示了即使在相对常规的体系结构、简单的训练过程和适度的计算预算下，也可以实现高水平的预测技巧，并比较了其与 IFS 的优越性。我们对训练流程的关键方面进行了一些剖析，探索了不同的损失函数、模型尺寸和深度以及多步细调的影响，并且通过超出典型 ACC 和 RMSE 的指标来检查模型的性能，并研究了模型规模对性能的影响。

Apr, 2024

引入高效的神经编解码器 VAEformer 用于极端压缩气候数据，以显著降低数据存储成本，实现便携的基于人工智能的气象研究。该方法在气候数据压缩方面优于现有最先进的方法，并且经验证明其压缩后的数据对于准确的科学分析具有实用性。通过对最流行的 ERA5 气候数据集（226 TB）进行压缩，得到了新的数据集 CRA5（0.7 TB），压缩比超过 300，同时保留了其用于准确科学分析的效用。

May, 2024

我们提出了一种基于人工智能的框架 WaveCastNet，用于预测大地震引起的地面运动，该框架可以通过整合卷积长表示记忆模型 (ConvLEM) 和序列到序列 (seq2seq) 预测框架来模拟空间和时间上的长期依赖关系和多尺度模式，以提高预警能力并快速预测破坏性地面运动的强度和时机。

May, 2024

该论文提出了一种名为 OceanCastNet (OCN) 的新型能量平衡深度学习波浪预测模型，通过将当前、上一个和下一个时间步的风场以及当前和上一个时间步的波浪场作为输入变量，OCN 在模型内部保持能量平衡。论文通过在 ERA5 数据集上进行一系列实验表明，OCN 能够实现与传统模型相当的短期预测精度，并且展现对波浪生成过程的理解。在正常和极端条件下的比较实验中，OCN 始终胜过行业中广泛使用的 WaveWatch III 模型。即使在长期预测后，OCN 仍然保持稳定和丰富的能量状态。通过构建一个考虑能量平衡的简单气象模型，名为 OCN-wind，论文证实了能量约束对于改善深度学习气象模型的长期预测性能的重要性。这一发现为未来深度学习地球物理流体模型的研究提供了新的思路。

Jun, 2024

FOX-NAS 提出了一种基于模拟退火和多元回归的快速可解释性的预测方法，能较高效地量化并在边缘部署，实验结果显示 FOX-NAS 模型的性能优于其他流行的神经网络架构，获得了 2020 年低功耗计算机视觉挑战赛 (DSP 分类) 第三名。

Aug, 2021