自 1993 年以来，卫星测高仪观测表明全球平均海平面正以空前的速度上升（每年 3.4 毫米）。我们利用机器学习（ML）技术研究了海平面变化的未来模式，以了解气候变化信号如温室气体、气溶胶和生物质燃烧在海平面上升中的贡献，并用于未来海平面变化的预测。我们提出了一种利用卫星观测和气候模型模拟相结合的机器学习框架，以 30 年为期限进行 2 度分辨率的海平面上升预测。我们通过训练全连接神经网络（FCNNs）进行非线性融合，预测测高仪数值（1993-2019 年）。然后将学习到的 FCNNs 应用于未来的气候模型预测，以预测未来的海平面模式。我们提出将空间数据集分段成有意义的聚类，并显示聚类有助于改进我们的机器学习模型的预测能力。

Aug, 2023

利用卫星测高测量，对全球平均海平面上升速率进行预测，并研究未来海平面变化的模式。我们展示了机器学习在长期海平面预测中的潜力，结合测高观测和气候模型模拟数据，利用全连接神经网络框架预测海平面趋势，并提供与该预测相关的不确定性评估。我们同时展示了分区数据集和为每个分割区域学习独立机器学习模型的有效性，并比较了两种分割策略的结果。

Oct, 2023

利用多模型集合气候预测，通过降低不确定性精确可靠地预测未来海平面上升是一个重要问题，本文提出了一个区域回归模型来解决空间变异性和模型相互依赖性，并通过实验结果表明该方法在区域尺度上能给出更可靠的预测。

Oct, 2023

基于深度学习模型对特定水域海冰浓度的空间分布进行长期预测，实验结果表明相较于资源密集型的物理模型，该方法在某些时段具有相当甚至更优的预测效果。与 Kara Sea 的基于物理模型的预测系统 SEAS5 相比，我们实现了 20% 的改进。

Dec, 2023

建模对理解温室气体、全球变暖和冰盖融化对海洋的影响至关重要。神经网络模型精确预测了理想化海洋模型的一步前向动力学，并计算了参数敏感性。

Nov, 2023

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

利用卫星高度计结合数据同化和最优插值方案深刻地提高了我们监测海表面动态的能力。最近，深度学习方案已成为解决时空插值问题的吸引人的解决方案。然而，海表面实际卫星高度计数据在时空覆盖方面的稀缺程度阻碍了对最新神经方案在实际案例研究上的训练。在这里，我们利用海洋动力学模拟和卫星高度计数据来训练基于模拟的神经映射方案，用于海表面高度，并展示其在实际卫星高度计数据集上的性能。我们进一步分析了训练阶段使用的海洋模拟数据集对性能的影响。我们的基准测试框架侧重于海湾流域，在使用 NEMO 海洋模拟和 4DVarNet 映射方案的真实 5 颗卫星高度计组合的情况下进行比较。所有基于模拟的 4DVarNets 均优于运行中的基于观测和再分析产品，即 DUACS 和 GLORYS。训练阶段使用的海洋模拟数据集越真实，映射效果越好。最佳的 4DVarNet 映射是从丰富的涡旋和无潮数据集中训练的，在分辨率上优于 DUACS（151 公里）和 GLORYS（241 公里），达到了 98 公里，并且均方根误差（RMSE）减少了 23% 和 61%。这些结果为基于学习的方法在海洋建模和海洋观测之间开辟了新的研究途径。

Sep, 2023

利用深度学习可以以极小的计算代价代替传统的云细度建模的层状参数化方法，实现全球多年的气候预测。

Jun, 2018

利用图形处理单元设计了一个图卷积网络 (GCN) 作为 ISSM 的快速仿真器，它在模拟冰川动力学时具有比传统卷积神经网络 (CNN) 更高的重复冰厚度和速度的相关性系数，同时计算速度比基于 CPU 的 ISSM 模型快约 34 倍，该基于 GPU 的 GCN 仿真器能够快速、高保真度地预测 Pine Island Glacier 在不同融化速率情景下的未来变化。

Jun, 2024

在本文中，我们使用先进的机器学习方法，包括序列模型（LSTM 和 Transformers）和关系模型（图神经网络），建立了一个在巴西东南海岸 Santos-Sao Vicente-Bertioga 海湾地区可以预测洋流速度和海面高度等环境变量的数据驱动模型，并将我们的结果与 Santos 操作预测系统进行了比较，证明了我们的模型可以在保持一定的灵活性和少量领域知识依赖性的同时实现更好的预测效果。

Jun, 2022