本文介绍 DeepSD 框架，一种利用超级分辨率图像处理技术进行气候统计降尺度的卷积神经网络模型，可以将原本粗糙的模拟数据提高预测的准确性和可靠性。作者使用NASA地球交换平台，将其应用于对超过20种不同情境下的全球气候变化进行计算。

Mar, 2017

本研究运用生成对抗网络（GANs）和计算机视觉技术，通过图像超分辨率和深度学习方法，针对低分辨率全球再分析数据，生成逼真的高分辨率地表风场，并探究了GANs不同配置与低分辨率协变量对风场结构偏差产生的影响。

Feb, 2023

物理风险预测的最新技术需要进行昂贵的千米级数值模拟，而全球输入分辨率较粗。本文提出了一种千米级降尺度扩散模型作为一种经济有效的替代方法，该模型是从台湾的区域高分辨率天气模型经ERA5再分析数据训练而来。通过一个两步方法（ extit{ResDiff}）， extit{ResDiff}在块状RMSE和CRPS评分上表现出令人鼓舞的技巧。预测的谱和分布能够忠实地恢复调节有害风和降水极端事件的重要幂律关系。研究了一些连贯的天气现象案例，显示了类似于学到的物理学的适当多变量关系，包括与冷锋中的强降雨相伴的尖锐风和温度变化，以及围绕台风眼壁的极端风和降雨带。找到了一些同时进行偏差校正的证据。首次尝试直接从操作全球预报模型进行降尺度成功地保留了许多这些优势。这意味着一个新的全球到区域的端到端机器学习天气预报时代可能即将到来。

Sep, 2023

本研究介绍了一种新型的天气降尺度模型，名为HyperDS，它基于超网络架构并通过集成多尺度观测先验信息，实现了连续尺度建模的气象场效果，并在多个表面变量上优于其他基准模型。

Jan, 2024

使用基于生成对抗网络 (GANs) 的有条件 GAN 的 geospatial downscaling 方法，从低分辨率输入中生成高分辨率准确的气候数据集，并明确考虑了下尺度过程中的不确定性。

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

应对气候变化需要准确的本地气候信息，最近的研究使用生成对抗网络(GANs)这种深度学习方法，以高效地学习复杂分布和缩放气候变量。为了估计不确定性和表征极端事件的关键信息，捕捉缩放过程中的变异性至关重要。因为缩放是一个不确定问题，许多细致的状态在物理上与粗粒度状态一致。为了量化这个状态不明确的问题，缩放技术应该是随机的，并能够在低精度输入条件下从高精度分布中采样。我们提出了三种改进GANs随机校准的方法：a）在网络内部注入噪声，b）调整训练过程以明确考虑随机性，c）使用概率损失度量。我们首先在具有已知分布特性的合成数据集上测试了我们的模型，然后在实际缩放场景中进行了测试，从低分辨率气候协变量预测高分辨率风场分量。仅仅注入噪声即大大改善了在合成数据测试中的条件和完整分布的质量，但对风场缩放表现不佳，在这种情况下模型仍然缺乏离散度。对于风场缩放，我们发现调整训练方法并增加概率损失可以改善校准。最佳模型通过三种改变在捕捉高精度分布的完整变异性方面显示出了显著提升的技能，从而更好地描述极端情况。

May, 2024

本研究解决了局部区域建模和天气预测骨干模型不足的问题。提出的MetMamba模型在现有状态空间模型Mamba的基础上，展现出优于传统注意力机制和神经算子的显著性能提升。研究结果表明，通过与全球主模型的联合训练，可以有效实现深度学习的区域建模。

Aug, 2024

本研究解决了区域天气预测中的有限区域建模和优化骨干网络的问题。提出的MetMamba模型在传统注意力机制和神经算子基础上，展现出显著的性能提升。研究结果显示，该模型能有效结合全球主机模型，实现深度学习的有限区域建模。

Aug, 2024

本研究针对深度学习模型在长短期时间序列预测中的局限性，提出了一种新的方法MAT，结合了曼巴模型的长程依赖能力和变压器模型的短程特性。实验证明，MAT在预测准确性、可扩展性和内存效率方面优于现有方法，能够更好地捕捉多变量时间序列中的独特依赖关系和演变模式。

Sep, 2024