本文提出了一种基于扩散模型的深度学习模型，能够在只需小部分计算资源的情况下，准确模拟出影响人类行为的气候极端事件，并成功地生成了地球物理模型中的现象，比如高温，干旱和降雨强度。

Apr, 2023

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

数据驱动的深度学习模型正在改变全球的天气预报，但能否成功应用于气候建模仍存在挑战。本文提出了首个能够生成准确且物理一致的全球气候集合模拟的条件生成模型。我们的模型每隔 6 小时进行一次时间步骤，并在 10 年的模拟中保持稳定。我们的方法超越了相关基准，并几乎达到了成功模拟气候模型的黄金标准。我们讨论了基于动力学信息扩散模型的关键设计选择，这为高效的数据驱动气候模拟迈出了重要一步，有助于更好地理解地球并适应不断变化的气候。

Jun, 2024

应用因果表示学习中的单亲解码方法（CDSD）对多个气候数据集进行评估，重点关注排放、温度和降水，揭示使用 CDSD 作为更可解释和稳健的气候模型的跳板的挑战、限制和前景。

Dec, 2023

利用生成型人工智能技术，从现有的少量预测数据中生成具有可靠性且准确度高的气象预测，且比传统方法成本少。

Jun, 2023

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

研究利用扩散模型处理降水现在空间预测任务，在效果上显著优于其他深度学习模型。

Aug, 2023

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

利用新型生成式深度学习方法，在气候模拟数据集上训练出来的模型能够更快、更高效地生成大型集合数据，以提高气候模拟中的不确定性估计的效率。

Jul, 2024

通过引入扩散概率降尺度模型（DPDM），从 1° 分辨率高效地变换数据至 0.1° 分辨率，本研究解决了传统降尺度方法在面对不确定性时的局限性，并将该模型应用于东亚生成 180 年的月表面变量数据集，为理解过去几个世纪以来的当地尺度气候变化提供了更详细的视角。

Feb, 2024