本研究提出了ClimateBench-M，旨在解决气候科学中缺乏统一多模态基准的问题。该基准整合了时间序列气候数据、极端天气事件数据和卫星图像数据。研究中的生成方法在天气预测、雷暴预警和作物分割任务中表现出色，为气候科学的人工智能发展提供了新思路。

本研究提出了一种新方法——单父解码，旨在解决因果表示学习中的挑战，特别是在科学研究中利用低层次测量捕捉高层次变量的因果结构。该方法在气候科学领域的实际数据中验证了其有效性，展示了发现潜在因果关系的潜力。

本研究利用ClimDetect数据集提高了气候变化检测模型的准确性，并发现视觉变换器（ViT）在气候数据中的应用为气候科学提供了新的视角。

本文提出了一种结合条件独立性检验与因果发现算法的方法，旨在从大规模时间序列数据中重构因果网络，应用于气候科学和神经科学等领域。研究介绍了Granger因果关系的评估方法，提出了新框架CaST，解决时空图预测中的问题，并展示了其在真实数据集上的有效性。文章还回顾了Granger因果性的早期发展及其局限性，提供了多种应用案例。

本文提出了一种名为IDOL的框架，用于识别瞬时潜在动态，结合稀疏影响约束和时间序列数据的上下文信息，优化因果图结构。实验结果表明，该方法在多个人体运动预测中有效，能够从观测数据中学习因果结构，并在气候科学和神经科学等领域识别因果关系。

气象服务对人们的生活、政策制定和行业决策都至关重要。英国气象局自1854年以来一直在气象和气候科学的发展中发挥着重要作用，其使命是帮助人们做出更好的决策以保持安全和繁荣。

该文介绍了一种基于CMSM模型的方法，用于估算高维大样本观测数据的不确定性和识别潜在干扰变量。该方法可应用于气候科学中，研究人类排放对云特征的影响。