本研究提出了一种混合方法，通过与大语言模型互动，提升小麦育种中的产量预测准确性和用户友好性，从而提高育种效率并支持可持续数据更新。

本研究提出了CODA方法，能够高效恢复初始条件并优化动态参数，提升模型在稀疏观测下的鲁棒性。CODA方法在数据同化过程中表现更好且更有效。

数据同化对于天气预报模型的初始化至关重要。最近，提出了深度生成数据同化的方法，可以在不重新训练模型的情况下使用新的输入数据，从而大大加速操作性区域天气模型中昂贵的数据同化过程。在美国中部的一个测试区域中，我们演示了在真实复杂的千米尺度天气情境中基于得分的数据同化的可行性。通过融合来自40个气象站的观测数据，对于剩余的站点达到了10%的较低根均方差。总体上结果令人鼓舞，并且是千米尺度上的首次概念验证。

数据同化对于天气预报模型的初始化至关重要。最近，提出了深度生成数据同化的方法，可以在不重新训练模型的情况下使用新的输入数据，从而大大加速操作性区域天气模型中昂贵的数据同化过程。在美国中部的一个测试区域中，我们演示了在真实复杂的千米尺度天气情境中基于得分的数据同化的可行性。通过融合来自40个气象站的观测数据，对于剩余的站点达到了10%的较低根均方差。总体上结果令人鼓舞，并且是千米尺度上的首次概念验证。

智能无人机群体结合充电技术在智能城市中提供高效感知能力，通过分布式优化和深度强化学习实现成本效益高、质量高的导航、感知和充电。新的渐进式方法在交通监控方面表现出色。

利用卫星高度计和数据同化技术提高了监测海表面动态的能力。通过训练基于模拟的神经映射方案，实现海表面高度的预测。在实际数据集上，基于模拟的4DVarNets优于DUACS和GLORYS，分辨率达到98公里，均方根误差减少了23%和61%。这为海洋建模和观测之间的学习方法开辟了新的研究途径。

使用神经网络的替代模型，Deep Latent Space Particle filter (D-LSPF) 可以在低维潜在空间中进行数据融合和实时的不确定性估计，运行速度比高保真粒子滤波器快一个数量级，并且比其他方法快 3-5 倍，精度可达一个数量级，从而实现实时的物理系统数据同化和不确定性量化。

提出了用于非线性状态空间模型的深度贝叶斯滤波（DBF）方法，通过构建新的潜在变量并利用高斯逆观测算子进行数据同化，使得 DBF 的后验分布始终保持高斯性质，克服了采样误差积累的问题，并在各种任务和条件下优于基于模型和潜在同化方法。

该研究介绍了 FuxiDA，一种用于吸收卫星观测数据的 DL-based DA 框架，通过吸收来自风云 - 4B 上的先进准同步辐射成像仪（AGRI）的数据，Fuxi-DA 不断减小分析误差并显著提高预测性能。此外，通过一系列单一观测实验，验证了 Fuxi-DA 与已建立的大气物理模型的一致性和可靠性。

本文提出了一种适用于各种作物的EnKF-LSTM数据同化方法，通过将集合卡尔曼滤波器和LSTM神经网络相结合，提高了预测准确性。通过农田上部署的传感器设备收集的数据集进行了验证，并与其他方法进行了比较。

研究使用机器学习和数据同化技术，利用替代模型对地质碳储存项目进行集成，并在保持高保真度的情况下得到后验状态的结果。结果表明，利用机器学习模型进行数据同化可以显著提高标准 ESMDA 过程的速度，并且使用替代模型实现的随机最大似然方法在确定性建模和不确定性量化方面优于传统的 ESMDA 方法。

DiffDA是一种基于机器学习的数据同化方法，使用预测状态和稀疏观测同化大气变量。通过预先训练的GraphCast天气预报模型作为去噪扩散模型，该方法能够产生与观测一致的全球大气同化数据，预测提前期最多仅损失24小时。

通过机器学习的数据同化方法DiffDA，可以生成与观测一致的全球大气同化数据，并提高预报模型的预测能力。该方法可应用于实际问题，如自回归数据同化重建分析数据集。

该研究利用物理知识神经网络（PINN）和局部平面波差分方程训练两个前馈神经网络，一个用于重构地震数据，一个用于估计局部斜率。该方法在处理非均匀采样和大间隔数据方面表现更好，比传统方法和单个网络的PINN方法更有效。通过引入第二个网络和位置编码层，提高了主网络的重构能力和收敛行为，提高了数据准确性。

本文介绍了一种基于非线性加性高斯噪声模型的因果推断方法，通过观测对数似然函数的二阶导数来发现整个因果图，并利用可扩展的机器学习方法来逼近得分函数，从而实现了基于原则且可扩展的因果推断，降低了计算门槛。该方法名为DAS算法，准确性高且速度快。

本文提出了一种名为INRR的正则化器，旨在提高INR的泛化能力。INRR通过将归一化的Dirichlet能量与INR集成来改善信号表示的泛化性能，并设计了实验来论证其性质和提高其他信号表示方法的性能。

本研究使用模型和数据融合来改进分离流的雷诺平均纳维 - 斯托克斯解的 Spalart-Allmaras（SA）闭标模型，并提出了一种整体校准策略，使模型能够适用于多种不同的分离流并实现性能的改进。新提出的模型不仅在实验数据收集方面取得了显著的改进，还能针对特定的流体物理特性进行独立校准，提高了回流区和回复区的性能。

该研究使用神经网络架构和Koopman算子理论，实现了动力学系统数据的线性描述和长期连续重现，可应用于时间序列插值和预测。