本文提出一种利用自适应递归图卷积网络的机器学习模型，通过使用空气激光雷达数据中近年来积雪量的预测，预测深层冰层的历史积雪量，以研究气候趋势和精准预测未来的气候和降水情况。我们发现，相比于之前的模型以及等价的无时间、无几何形态和非自适应模型，我们的模型表现更好、更一致。
Jun, 2023
使用图形注意力网络模型预测越来越多的年降雪量数据点，使用更少的输入数据点，在较大的数据集上进行实验
数值模型、卷积神经网络、等变图卷积网络、冰川动力学和计算效率的研究。
Jun, 2024
本文提出了一种基于图神经网络的信号检测算法，将冰立方探测器阵列建模成图形，通过学习传感器间的空间坐标构建边，实现仅针对输入信号支持计算的自适应计算，并在对冰立方探测器事件分类任务中展示了其优越性。
Sep, 2018
本文提出了一种新颖的静态和动态可学习个性化图卷积网络 (SD-LPGC) 来处理 SST 的预测任务，实验结果表明该方法具有最先进的性能。
Apr, 2023
基于深度学习模型及统计分析方法，我们提出了 MT-IceNet，一种预测北极海冰浓度的模型，通过处理多时空输入流来生成未来时间步的空间地图，表现出有希望的预测性能。
Aug, 2023
本研究利用图神经网络 (GNN) 开发了快速代理模型来解决冰川动力学问题，通过使用 20 年的变动模拟数据训练和测试 3 个 GNN（图卷积网络，图注意力网络和等变图卷积网络），结果显示这些 GNN 能够以更高的准确性重建冰厚度和速度，并成功捕捉到 Pine Island Glacier 中由较高底侵蚀速率引起的冰量减少和加速。当将我们的 GNN 模拟器应用于 GPU 上时，计算时间比基于 CPU 的 ISSM 模拟快 50 倍。
Feb, 2024
基于几何深度学习的时态图卷积网络（GCN）用于降水预报，通过优化训练过程中预测与真实像素值之间的 L1 损失来自动学习模拟栅格单元间的相互作用的邻接矩阵，并通过 GCN 层对空间关系进行优化，并使用不同核长度的一维卷积提取时间信息，最终结果通过邻域信息作为辅助输入层来改善，实验结果表明 GCNs 可提高云形的局部细节建模和预测准确性，从而降低误差度量。
Sep, 2023
南极冰盖和北极冰盖的大量流失导致海平面上升，海洋环流变化，从而导致沿海洪涝，并危及全球数千万人的家园和生计。为了解决冰川行为的复杂问题，文献中提出了物理模型和数据驱动模型。然而，传统的物理模型在产生高分辨率结果方面存在局限性；另一方面，数据驱动方法需要大量高质量且标记的数据，而这在极地地区很少见。因此，作为一种充分利用物理模型和数据驱动方法优势的有希望的框架，物理顺应机器学习（PIML）在近年来得到广泛研究。本文综述了现有的 PIML 算法，根据融合物理和数据驱动方法的方式提供了自己的分类，并分析了 PIML 在准确性和效率方面的优势。此外，我们的调研还讨论了一些当前的挑战和未来的机会，包括海冰研究中的 PIML、不同组合方法和骨干网络的 PIML 以及神经操作器方法。
Apr, 2024
该研究尝试使用图重新采样和图神经网络应用于全球海表温度预测，并发现其在大多数海洋中以均方根误差为衡量标准比持续模型具有更好的一个月的预测效果。