使用深度学习模型进行 Earth System Models 的降尺度模拟，该方法不需要高分辨率真实数据，具有优越的性能和广泛应用于气候研究的潜力。

Jan, 2024

气候变化加剧了如大雨和洪水等极端天气事件。本文提出了一种新的机器学习框架，用于同时进行偏差校正和下尺度处理。通过在观测数据上训练生成性扩散模型，并对观测和地球系统模型数据进行映射，我们的方法能够纠正任何地球系统模型的地理要素，确保了统计质量并保留了大尺度空间模式。

Apr, 2024

本文研究了使用生成模型改善高分辨率气象数据在一些应用中的空间一致性问题，特别是在降水降尺度方面，该方法可应用于水文学等领域以应对气候变化。

Apr, 2023

通过扩大比例或超分辨率，为决策者提供关于气候模型输出的气候变化潜在风险和影响的详细高分辨率信息。机器学习算法在下降尺度方面表现出高效和准确的方式。本研究展示了一种生成式扩大、基于扩散的方法，能够提供精确的下降尺度结果。相比标准的 U-Net，在精细尺度上，扩散式方法具有更高的准确性，如频谱分解所示。此外，生成式方法还为用户提供了可用于风险评估的概率分布。该研究突出了扩散式下降尺度技术在提供可靠和详细的气候预测方面的潜力。

Apr, 2024

本文介绍 DeepSD 框架，一种利用超级分辨率图像处理技术进行气候统计降尺度的卷积神经网络模型，可以将原本粗糙的模拟数据提高预测的准确性和可靠性。作者使用 NASA 地球交换平台，将其应用于对超过 20 种不同情境下的全球气候变化进行计算。

Mar, 2017

通过数据同化和机器学习技术的结合，可以将全球观测和局部高分辨率模拟整合到地球系统模型中，从而实现系统化学习和降低气候模型中参数化的不确定性。

Aug, 2017

本文针对机器学习在全球气候模型统计降尺度中的应用进行研究，将 Bias Correction Spatial Disaggregation, Ordinary Least Squares, Elastic-Net, Support Vector Machine 等方法与 Multi-task Sparse Structure Learning, BCSD 和 Convolutional Neural Networks 等先进机器学习方法进行对比分析，结果表明直接应用最新的机器学习方法不能优于较简单的传统方法，文中特别关注了美国东北部地区的每日降水量，结果对每种方法的能力进行了评估。

Feb, 2017

使用基于生成对抗网络 (GANs) 的有条件 GAN 的 geospatial downscaling 方法，从低分辨率输入中生成高分辨率准确的气候数据集，并明确考虑了下尺度过程中的不确定性。

Feb, 2024

研究了深度学习在气候下缩放和预测中的应用，并提出使用深度集合作为一种简单的方法，以提高气候变化预测模型的不确定性量化能力，以解决严重天气事件对社会和经济产生的负面影响。

Apr, 2023

我们通过 Latent Diffusion Model (LDM) 将 ERA5 数据向下扩展到 2 km 的分辨率，目标是证明生成建模的最新进展使得基于深度学习的模型可以提供与数值动力降尺度模型相媲美的结果，给定相同的输入数据（即 ERA5 数据），保留精细尺度特征和流动特性的逼真性。

Jun, 2024