本研究提出了一种基于物理信息的残差神经常微分方程（PIR-NODE）模型，旨在提高热带气旋强度预测的准确性。该模型结合深度学习的非线性拟合能力，使24小时强度预测的均方根误差（RMSE）降低了25.2%，R方（R2）提高了19.5%。

本文提出了一种名为VQLTI的新框架，旨在解决热带气旋强度长期预测的不足。该框架通过增强强度与空间信息的匹配，并结合物理知识，显著降低了预测误差，24至120小时的最大持续风速预测误差减少了35.65%-42.51%。

本文测试了多个数据驱动的机器学习模型在甲烷泄漏识别和强度预测方面的表现。采用加权集成模型进行甲烷检测和强度预测。