利用深度学习直接挖掘地震波形来增强地震监测能力，本研究使用数据重组方法训练具有普适性的神经网络，以便应用于不同地区的地震监测，实现实时的地震早期预警。通过应用于日本和美国加利福尼亚的地震序列，我们的模型可在触发的第一个台站后的 4 秒内可靠地报告地震位置和震级，平均误差分别为 2.6-6.3 公里和 0.05-0.17。这些普适的神经网络有助于全球实时地震早期预警的应用，消除了传统方法中通常需要复杂经验配置的要求。

Dec, 2023

该论文基于数据驱动的深度学习技术，提出了 FourCastNet 这一可以比当前基于物理的数值天气预报快 80000 倍并且准确性优于状态 -，预测全球天气、产生中程预报的系统。同时，FourCastNet 还可以生成准确的即时天气预测，提高了全球预测的分辨率。

Aug, 2022

该论文提出了一种名为 OceanCastNet (OCN) 的新型能量平衡深度学习波浪预测模型，通过将当前、上一个和下一个时间步的风场以及当前和上一个时间步的波浪场作为输入变量，OCN 在模型内部保持能量平衡。论文通过在 ERA5 数据集上进行一系列实验表明，OCN 能够实现与传统模型相当的短期预测精度，并且展现对波浪生成过程的理解。在正常和极端条件下的比较实验中，OCN 始终胜过行业中广泛使用的 WaveWatch III 模型。即使在长期预测后，OCN 仍然保持稳定和丰富的能量状态。通过构建一个考虑能量平衡的简单气象模型，名为 OCN-wind，论文证实了能量约束对于改善深度学习气象模型的长期预测性能的重要性。这一发现为未来深度学习地球物理流体模型的研究提供了新的思路。

Jun, 2024

近期发布的一套人工智能气象模型能够在几秒钟内预测出与最先进的操作性预测相媲美的多天、中期天气预报，其在局部尺度和级数之间的竖直梯度上需要更高精度的精确性，根据 2020 年全球热点地区的季节性对流性能评估发现，Pangu-Weather、GraphCast 和 FourCastNet 等三个表现最佳的人工智能模型在 10 天的前导时间内，对 Convective Available Potential Energy（CAPE）和 Deep Layer Shear（DLS）的预测结果具有相对的准确性，而且 GraphCast 和 Pangu-Weather 在全球范围内表现最好，能够达到甚至超过 IFS 的性能水平，由于神经气象模型中从垂直压力粗糙层导出的 CAPE 缺乏数值模型的垂直细分辨率，目前的结果表明，人工智能模型中对 CAPE 的直接预测很有前景，这将为快速且低成本的严重天气现象预测开辟前所未有的机遇，通过推进人工智能模型的评估，朝着基于过程的评估方向发展，我们为基于人工智能的天气预报面向灾害驱动的应用奠定了基础。

Jun, 2024

使用卷积神经网络 (ConvNetQuake) 检测和定位地震事件，以解决小型和中等级地震活动中的低幅度震动噪声的问题。

Apr, 2023

FourCastNet 是一个全球数据驱动的天气预报模型，利用神经网络技术在短时间内生成高分辨率、快速时间尺度的变量预测，包括风速、天气等，速度快，且适用于扩大概率预测的大范围应用。

Feb, 2022

建立了一种快速、稳定、准确、分辨率无关和几何自适应的洪水建模和预测框架，包括多卫星观测和水动力建模模块，以及基于几何自适应的物理信息神经求解器（GeoPINS），并通过与传统水动力学和基于合成孔径雷达的洪水深度数据的比较验证模型的性能。

Mar, 2024

本文介绍了一种基于无线传感器网络、事件触发、信号处理和机器学习的灾害监测系统，可以实时、高效地识别出危险区域内的人类活动和异常信号。

Oct, 2018

开发一种基于机器学习的框架，利用物理波浪模型的许多迭代进行监督学习，准确地预测波浪条件，其中使用蒙特雷湾模型作为示例测试站点，并通过聚合监督学习培训和测试数据集，并将其提供给机器学习模型来复制波高和正确识别特征周期。

Sep, 2017

本研究开发了一种多模式野火预测和个性化早期警告系统，该系统基于先进的机器学习框架，使用来自环境保护局的传感器数据和 2012 年至 2018 年的历史野火数据，成功设计了新型的 U-Convolutional-LSTM 神经网络，能够提取与迫在眉睫的野火相关的关键时空特征。此外，地质数据被用于提供更好的野火风险评估。最终，为个有感官障碍或呼吸恶化症状的人提出了个性化早期警告系统，旨在为危险地区的居民提供更好的准备，从而挽救生命并减少经济损失。

Aug, 2022