本文提出了一种基于扩散模型的深度学习模型，能够在只需小部分计算资源的情况下，准确模拟出影响人类行为的气候极端事件，并成功地生成了地球物理模型中的现象，比如高温，干旱和降雨强度。

Apr, 2023

我们提出了一个两阶段的概率时空预测流程：1）我们开发了PreDiff，一个能够进行概率预测的条件潜在扩散模型。2）我们通过在去噪步骤中估计所施加约束的偏差并相应地调整过渡分布，结合了显式的知识控制机制，以使预测与领域特定的物理约束相一致。实验在两个数据集上进行，分别是具有混沌行为的合成数据集N-body MNIST和代表降雨预测的真实世界数据集SEVIR。实验结果显示PreDiff在处理不确定性、整合领域特定先验知识和生成具有高操作效能的预测方面的有效性。

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

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

使用深度学习模型进行Earth System Models的降尺度模拟，该方法不需要高分辨率真实数据，具有优越的性能和广泛应用于气候研究的潜力。

Jan, 2024

本研究提出了一种自回归生成扩散模型（DiffObs），用于预测全球日降水的演变，该模型基于卫星观测产品进行训练，并通过领域特定的诊断进行评估。该模型被训练用于概率性地预测一天前的降水。尽管存在次要问题和偏见，结果证实了在实际的亚季节和气候预测应用中，通过对日益稀疏，直接和差异化的观测进行训练的全球扩散模型的潜力。

Apr, 2024

借助生成式深度学习方法，将地球系统模型（ESMs）进行仿真以获得逼真的气候样本，具有与ESMs相似的气候指标，适用于通过生成未来气候预测。

Apr, 2024

气候变化加剧了如大雨和洪水等极端天气事件。本文提出了一种新的机器学习框架，用于同时进行偏差校正和下尺度处理。通过在观测数据上训练生成性扩散模型，并对观测和地球系统模型数据进行映射，我们的方法能够纠正任何地球系统模型的地理要素，确保了统计质量并保留了大尺度空间模式。

Apr, 2024

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

本研究解决了在标准化任务和数据集上评估气候模拟器准确性所面临的内部变异性问题。文章提出了一种线性回归基础的模拟器，发现其在大部分气候变量上的表现超过现有的深度学习模型。通过更新基准目标，研究展示了深度学习模型在降水模拟方面的潜力，推动了气候模拟器的准确性提升。

Aug, 2024