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

该研究介绍了一种名为ClimaX的深度学习模型，能够使用异构数据集（跨越不同变量，时空范围和物理基础）进行训练，预测气象和气候。ClimaX扩展了Transformer架构，并表现出优越的性能。

Jan, 2023

ClimateLearn是第一个大规模的开源项目，旨在将气象和气候模型与现代机器学习系统进行连接，它能够大大简化机器学习模型的训练和评估，并包括综合流程，实现深度学习模型和定量和定性评估。

Jul, 2023

机器学习和深度学习方法在理解大气混沌行为和推进天气预报方面已得到广泛应用。在构建地球的数字孪生体方面，科技公司、政府机构和气象机构表现出越来越多的兴趣。我们回顾了当前最先进的人工智能方法，主要来自于变换器和算子学习文献，并结合气象学的背景提出了成功的标准，期望实现一系列基础模型用于即时预报和天气气候预测。我们还讨论了这些模型在下游任务中的竞争力，如下降尺度（超分辨率）、火灾有利条件的识别以及对各种时空尺度（如飓风和大气河流）具有重大影响的气象现象的预测。特别是，我们认为当前的人工智能方法已经发展到足以设计和实施一个气象基础模型的成熟阶段。

Sep, 2023

混合物理机器学习气候模拟的研究表明，在线模型性能在内存融合、相对湿度输入特征转化和附加输入变量等方面得到改善，而在线误差的显著变化和离线与在线错误统计的不一致性表明应对数百种候选的机器学习模型进行在线评估来检测参数化设计选择的影响。

Sep, 2023

人工智能在地球和大气科学领域日益采用数据驱动模型，通过深度学习技术对地球系统的混沌和非线性方面进行解码，以及通过理解天气和气候数据来应对气候挑战。这篇综述全面介绍了针对天气和气候数据专门设计的最先进的人工智能方法，特别关注时间序列和文本数据，同时深入研究了该领域的挑战，并提出了未来研究的详细意见。

Dec, 2023

使用机器学习的数据驱动方法来替代参数化方案，并结合随机化技术的大气模型的研究领域关键词。

Feb, 2024

提出了一种结合元学习的统一降尺度方法，旨在便捷降尺度不同气象变量，在不同时空尺度下。实验证据表明，该方法在定量和定性评估方面优于现有的顶层降尺度方法。

Apr, 2024

通过在气候模型中嵌入基于高分辨率Unified Model模拟的多输出高斯过程（MOGP）的训练，我们克服了与云形成相关的气候模拟中的长期偏见。利用MOGP预测的温度和比湿的变化，对简化的大气环流模型SPEEDY进行在位耦合。将SPEEDY的温度和比湿剖面按照MOGP预测的变化进行固定间隔的扰动。生成了控制模型和混合ML模型的十年预测。混合模型将全球降水偏差减少了18％，在热带地区减少了22％。为了进一步了解这些改进的驱动因素，我们还探索了一些感兴趣的物理量，如抬升指数值的分布和哈德利环流的改变。在温暖的气候环境中，还运行控制和混合设置的海面温度增加4K的实验，以探索该方法对云覆盖和降水模式的影响。

Jun, 2024

本研究解决了气候变化中天气预报模型的适应性问题，展示了当前最先进的机器学习模型在不同气候状态下依然具有良好的预报能力。研究结果表明，尽管存在全球平均冷偏差，机器学习模型在气候科学上的应用潜力巨大，可以支持气候变化的减缓与适应，并对传统物理模型形成有效补充。

Sep, 2024