本研究提出了一个基于图像段的融合框架，通过整合 Sentinel-1/2 和 SMAP 数据，评估准备多尺度土壤湿度图的可能性，并证实与基于像素的融合方法相比，该方法能够将土壤湿度估计改进高达 20%。

Nov, 2022

通过引入一种新颖的时空 Transformer 模型（ST-Transformer）来解决稀疏时空数据中缺失值的问题，本研究展示了该模型在土壤湿度数据中的应用，其通过多个时空注意力层来捕捉数据中复杂的时空相关性，并在填补过程中整合额外的时空协变量以提高准确性，相较于其他著名的填补方法，该模型表现出卓越的准确性，并在其他数据集的模拟研究中展示了其在各种时空填补任务中的广泛适用性。

Dec, 2023

使用一种高效准确的一次训练模型，通过机器学习来降低任意地球系统模型的计算复杂度，同时实现了无需重新训练模型即可普适于未知气候状态的高分辨率降尺度。

Mar, 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

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

本文利用物理信息引导机器学习代理模型，开发了多尺度数字孪生工具，可快速评估地下水受污染特征在气候变化下的时空演变，预测 1954 年至 2100 年时段内的储备率，用于环境修复领域的研究。

Nov, 2022

通过在 climate science 和 meteorology 领域中，利用 statistical downscaling 方法实现 local precipitation predictions 的数据驱动降尺度化，本研究通过扩展最近的视频扩散模型，结合光流和时间条件扩散模型，成功实现了高分辨率降水模式的预测。

Dec, 2023

数据同化对于天气预报模型的初始化至关重要。最近，提出了深度生成数据同化的方法，可以在不重新训练模型的情况下使用新的输入数据，从而大大加速操作性区域天气模型中昂贵的数据同化过程。在美国中部的一个测试区域中，我们演示了在真实复杂的千米尺度天气情境中基于得分的数据同化的可行性。我们训练了一个无条件扩散模型来生成最先进的千米尺度分析产品 “高分辨率快速更新” 的快照。然后，利用基于得分的数据同化方法将稀疏的气象站数据融合进模型，模型生成了降水和地面风向的地图。生成的场景显示出物理上合理的结构，如阵风，敏感性测试通过多变量关系验证了学习到的物理规律。初步的技巧分析表明，这种方法已经优于高分辨率快速更新系统本身的天真基准。通过融合来自 40 个气象站的观测数据，对于剩余的站点达到了 10% 的较低根均方差。尽管存在一些局限性，如集合数据同化估计欠精确，但总体上结果令人鼓舞，并且是千米尺度上的首次概念验证。现在是一个时机成熟的时候，可以探索将日益雄心勃勃的区域状态生成器与越来越多的现场、地面和卫星遥感数据流结合起来的扩展方法。

Jun, 2024