通过将深度学习和数值天气预报（NWP）相结合，我们提出了一种改进短期全球降水预报的混合模型，并证实其可显著提高预报技能和减小均值偏差。

Jun, 2022

该研究通过使用自适应傅立叶神经算子 (AFNO) 模型以及提出的时间滑动方法对 ECMWF 重新分析 v5 (ERA5) 数据集进行扩充，采用低分辨率数据开创性地改进了现有的气象预测方法，从而提高了大气状况预测的准确性，并证实了该模型反映当前气候趋势的能力和预测未来气候事件的潜力，为气候建模领域提供了更具可行性和包容性的路径。

Feb, 2024

本研究通过使用领域对抗神经网络（DANN）集成到蒸发蒸腾（ET）模型中，以提高机器学习的水文预测模型的地理适应能力，并通过减少数据分布的差异和避免低准确性预测，显著增强了模型的外推能力。

Jun, 2024

本文针对研究低轨道物体受热层密度影响，提出优化以 Space Environment Technologies（SET）为基础的 $F_{10.7cm}$ 预测的方法，使用神经网络集成、多层感知器和长短期记忆等模型，其中最佳模型为组合多步预测和动态预测的集成方法，相较于基线，均方根误差相对提升在 45% 至 55% 间。

Jun, 2023

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

使用图神经网络的数据驱动方法预测全球天气，通过学习当前 3D 大气状态的六小时步长以及多步连接，可以产生数天后的精准预报，测试表现优于以前的数据驱动方法，并且与 GFS 和 ECMWF 的物理模型的全分辨率相当可比。

Feb, 2022

研究了一种利用神经网络和气象卫星数据的降水插值方法，与基于线性插值的基准相比，可以降低高达 20％的洪水风险。

Mar, 2022

使用卷积神经网络估计无人机遥感获取影像的水域表面高程，并进行了改进，使用线性回归进一步提高准确度，将结果与现有方法进行了比较，得出了具有竞争力的结果。

Jun, 2023

利用深度神经网络，MetNet 能在高达 1 km² 的空间分辨率下、每 2 分钟一个时间间隔内预测未来 8 小时的降水情况。它使用轴向自注意力来聚合来自一个对应于 1 百万平方千米的大型输入块的全局上下文。研究表明，在大陆尺度上，MetNet 在各种降水阀值下的预测性能优于数值天气预报长达 7 至 8 小时。

Mar, 2020

本文研究了在欧洲和北非地区，利用多变量 Transformer 模型预测光合有效辐射吸收分数（FAPAR）的时间轨迹的潜力，研究了短期（1 个月）和长期（超过 1 个月）预测。通过 2002 年至 2022 年的遥感和气象数据对 FAPAR 进行建模预测，采用留一年交叉验证方法进行模型评估，并与气候基准模型进行比较。结果表明，在预测一个月后，Transformer 模型优于基准模型，使用前两个月的预测，Transformer 模型的均方根误差值在 0.02 至 0.04 FAPAR 单位之间。总体而言，经过测试的 Transformer 模型是一种在光合有效辐射吸收分数（FAPAR）预测中有效的方法，特别是与气象数据结合，用于短期预测。

Feb, 2024