本文提出了一种用于任意分布的点的时空预测的新方法，该模型可以利用偏微分方程来推导数据动态的连续时间模型，通过有限元方法，在空间域的网格化中估计未知动态对每个单元格的瞬时影响，我们的模型可以通过假设方程的形式来将先前知识纳入其中，并从对流方程导出一个运输变体，该模型对比基准模型，表现了更好的海面温度和气体流量预测的转移性能。此外，我们的模型具有独特的可解释性。

Mar, 2022

研究了如何通过机器学习，将红噪声与强化学习相结合，提高气候模型对小尺度过程的近似准确性。

Mar, 2022

本文旨在解决数据驱动数字孪生模型长期稳定性的问题，揭示了任何深度学习结构中普遍的因果机制，即：谱偏差，并进一步阐明了如何通过深度学习理论和基本数值分析弥补这种偏差，提出了一种缓解此类不稳定性的方法，实现了气候系统的长期稳定数值模拟和准确的短期预测。

Apr, 2023

该论文研究了机器学习方法在模拟高维地球物理湍流过程中的预测性能，并发现训练数据的时间分辨率对于预测性能的影响。

Apr, 2023

基于模拟环流的概率气象生成器 (SWG) 通过加入温度和土壤湿度作为预测因子，可以用来估计法国和斯堪的纳维亚地区持续性热浪的概率。与基于卷积神经网络 (CNN) 的预测相比，SWG 在概率预测任务上表现更好。此外，我们还展示了用于估计超过几天的持续性热浪的极端返回时间的能力，以及通过生成器获得的合成极端远程联系模式的质量。

Jul, 2023

多重保真度方法通过整合不同准确度和丰富度的数据集，结合了基于物理的参数化和基于机器学习的参数化，使得在训练数据范围外进行外推成为可能，且能够提供更高准确性的气候预测模拟，而不需要大量计算资源增加。

Sep, 2023

通过使用SMARL和湍流物理的基本原理，仅使用几个高保真样本进行了训练，并针对大气和海洋湍流的原型学习了闭合模型，结果表明SMARL在GCMs的闭合建模方面具有高潜力，尤其是在数据稀缺和间接观测的情况下。

Dec, 2023

机器学习在气候科学应用中变得普遍，本文提出了模拟大西洋经圈环流的方法，并使用神经网络预测不同气候情景下的极端气候。结果显示神经网络可以在多样的气候情景下预测大西洋经圈环流，并指出贝叶斯神经网络在非稳态情景中表现较差。研究还强调大型神经网络模型在全球地球系统动力学建模和非稳态气候情景中可能遇到困难。

Feb, 2024

提出了一种利用神经网络校正算子的非侵入性方法来校正粗分辨率气候预测，克服了统计学方法无法处理超过训练数据时间的极端事件的挑战，并在实验中成功校正了欧洲中期天气预报模型和能源计算机模式的输出，使其更准确地反映统计数据并显著降低空间偏差。

Feb, 2024

该研究解决了在多种应用中准确预测混沌系统长期行为的难题，特别是在气候建模中的重要性。提出了一种新颖的物理信息神经算子（PINO）学习方法，避免了传统闭合模型带来的近似误差，能够无网格限制地有效预测混沌行为。实验表明，PINO模型在速度上达到120倍的提升，相对误差约为5%，显著优于闭合模型的表现。

Aug, 2024