提出了一种混合人工智能气候建模方法，使用深度神经网络和数学方法相结合的方法进行气候目标仿真，通过神经符号语言实现可解释性。该方法能够在发现气候临界点方面提高精度，具有潜在的加速计算机不可行的快速气候临界点相关研究的能力。

Feb, 2023

通过机器学习方法，我们预测大西洋经向翻转环流系统（AMOC）的潜在崩溃时间窗口在 2040 年至 2065 年之间，这是由于气候变化引起的北大西洋淡水输入的增加导致的，同时还开发了在嘈杂的动力系统中预测临界点的方法。

Feb, 2024

通过将不同的大气动力学求解器与机器学习组件相结合，我们展示了首个能够生成确定性天气、集合天气和气候预测的 GCM 模型 NeuralGCM，其预测能力与最佳的机器学习和基于物理的方法相当，同时在天气和气候方面，我们的方法相对于传统 GCMs 有数量级的计算节省，并能够增强对地球系统的理解和预测所必需的大规模物理模拟。

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

季节性气候预测对于管理极端天气事件影响以及农业和能源等行业的规划具有重要的社会经济意义。本研究介绍了 Ocean-linked-atmosphere (Ola) 模型，这是一个高分辨率 (0.25°) 的人工智能 / 机器学习耦合地球系统模型，使用自回归 Spherical Fourier 神经算子架构分别对海洋和大气动力学进行建模，以实现季节尺度上快速、精确的大量集合预测。Ola 模型表现出了海洋 - 大气耦合动力学的学习特征，包括适当相速的热带海洋波，以及在海洋混合层内具有逼真的振幅、地理结构和垂直结构的内部产生的厄尔尼诺 / 南方振荡 (ENSO)。我们提供了预测 ENSO 的初步证据，与地球物理流体力学实验室的 SPEAR 模型相比具有良好的预测能力。

Jun, 2024

通过结合稀有事件算法和机器学习技术，本研究成功地估计了大西洋经向环流系统（AMOC）中的转变概率和转变时间，特别是针对快速转变和缓慢转变的情况，同时展示了 Next-Generation Reservoir Computing 技术在计算 committor 函数方面的作用。

Jan, 2024

通过从高分辨率大气模拟中粗粒化模型方程和输出的方式学习神经网络参数化，实现替换传统的物理模型的亚网参数化方法，最终实现稳定的气候模拟并提高计算效率。

Oct, 2020

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

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

本文讨论气候变化人工智能的应用，评估了自动机器学习技术在三个高影响的气候变化应用领域的性能，并发现当前的自动机器学习库未能显著超越人设计的模型，但存在一些关键弱点，其中之一是当前大部分自动机器学习技术都是为计算机视觉和自然语言处理应用设计的，所以需要开发出为时空数据设计的搜索空间来寻找新的架构，从而提高性能。为此，作者呼吁自动机器学习社区开展未来工作的具体方向，并发布了代码和一系列资源。

Oct, 2022