本文介绍了ORBIT-2，一个可扩展的超高分辨率气候下尺度化基础模型，旨在克服稀疏观测和粗分辨率气候模型的局限性。通过引入Residual Slim ViT和TILES算法，显著提高了处理效率与准确性。实验结果表明，ORBIT-2在7公里分辨率下的R^2评分达到0.98至0.99，展现了其在气候预测中的潜力。

本研究提出了一种基于自然植被叶片运动的新型风速测量方法，克服了传统方法的局限性。通过分析叶片运动与风速的关系，实现高效的远程风速监测，提高天气预报和气候模型的准确性。

本文提出了一种基于图的深度学习模型，利用类Transformer结构进行流体力学预测，显著提高了数据压缩效率和分析精度。该研究在高维科学数据处理中的应用，尤其在气候模型和湍流模拟中表现优异，推动了机器学习在流动物理中的应用。

本研究提出了一种基于图像段的融合框架，结合Sentinel-1/2和SMAP数据，显著提高土壤湿度估计的准确性。通过引入时空Transformer模型，解决了稀疏数据缺失问题，并展示了其在土壤湿度数据中的优越表现。此外，DeepSD框架利用超级分辨率技术提升气候统计降尺度的准确性，研究了机器学习在全球气候模型中的应用，并评估了不同方法的效果。

该研究利用机器学习技术预测未来海平面上升，提出了一种结合卫星观测和气候模型模拟的机器学习框架。通过训练全连接神经网络进行非线性融合，预测测高仪数值，并将其应用于未来的气候模型预测，以预测未来的海平面模式。研究还提出将空间数据集分段成有意义的聚类，并显示聚类有助于改进机器学习模型的预测能力。