本研究提出了一种深度学习方法，利用遥相关信号（如极地涡旋和马登-朱利安振荡）来改善欧洲冬季天气的分季预测。结果表明，结合遥相关信息显著提高了预测准确性，特别是ViT-LSTM模型在第4周后的表现优于传统方法，为气候预测提供了新视角。

本研究提出了CTEFNet模型，旨在解决ENSO长期预测中的气海交互问题。该模型结合了卷积神经网络和变换器，能够有效进行20个月的预测，并超越传统方法。通过灵敏度分析，CTEFNet揭示了影响ENSO动态的关键信号，展示了深度学习在气候预测中的潜力。

本研究开发了全球海洋气候人工智能仿真器Samudra，解决了气候预测中长期海洋模型的不足。该模型采用改进的ConvNeXt UNet架构，能够快速准确地模拟关键海洋变量，速度比原始模型快150倍。尽管在捕捉强迫趋势方面存在挑战，但其稳定性为未来气候模型的发展奠定了基础。

本文介绍了一种基于扩散模型的深度学习气候模拟器，能够高效模拟气候极端事件，如高温和干旱。研究表明，该模型在计算资源有限的情况下，生成的气候预测与现有模型高度一致，具有重要应用潜力。

本研究探讨了贝宁共和国河流测量站的偏差校正，发现弹性网络回归和高斯过程回归在准确性上优于传统方法。研究还结合深度学习与气候模型，提出新颖的偏差校正方法，以提高气候预测的准确性，特别是在极端天气事件的预警中具有重要意义。

该文章探讨了深度学习在气候预测中的应用，介绍了Earthformer、ClimaX和基于扩散模型的方法，展示了它们在气象和气候预测中的优越性能，强调了人工智能在理解气候变化和提高预测准确性方面的重要性，并提出了未来研究方向。

本研究探讨了深度学习在气候预测和空气质量建模中的应用，提出了ACE模拟器和AirPhyNet模型，显著提高了预测准确性和计算效率。同时，研究展示了机器学习在碳通量建模中的潜力，推动了相关领域的发展。

本文介绍了多种气候数据降尺度模型，包括DeepSD框架、基于生成对抗网络的降尺度方法和MetMamba模型。这些模型利用深度学习技术提高气候预测的准确性，能够有效处理低分辨率数据，生成高分辨率气候信息，以应对气候变化。

本文提出了一种新的多目标神经网络训练方法，通过动态损失函数逼近Pareto前沿，实验表明该方法无需预设权衡向量，并在非对称Pareto前沿上表现优越。此外，研究探讨了机器学习在气候预测中的应用，强调可解释性的重要性，并提出了新的训练框架Pareto Mutual Distillation以提升模型性能。

本文探讨了图神经网络（GNN）和机器学习模型在气候、交通流和水文学预测中的应用。这些模型在复杂环境下能有效提高预测准确性，尤其在气体饱和度、降水和交通流量方面表现良好，误差较低。

本研究利用图神经网络（GNN）开发了快速代理模型，以解决冰川动力学问题。通过20年的模拟数据训练，GNN能够更准确地重建冰厚度和速度，捕捉冰量减少和加速现象。GNN模拟器在GPU上运行速度比CPU快50倍，优于传统模型，适用于气候趋势预测和颗粒流动模拟等领域。

本研究提出了一种基于视觉问答的极端天气检测与预测方法，利用视觉语言模型和气候问答数据集ClimateIQA，显著提升了检测性能。同时，开发了多天气共存估计方法和基于非结构化文本的事件预测模型，展示了人工智能在气象学中的应用潜力。

本文探讨了生态数据空间预测中的变量选择与验证，使用随机森林算法分析空间自相关对预测的影响。研究表明，深度学习和零样本学习方法能提高气候测量预测的准确性，并提出了多模型集合气候预测的区域回归模型，以降低不确定性并提升预测可靠性。

本文提出了量子生成扩散模型（QGDM），利用量子噪声生成复杂概率分布，适用于气候预测和神经科学等领域。研究表明，QGDM在量子比特模拟中表现优越，并提出了资源高效版本（RE-QGDM）。结合量子机器学习增强的扩散式图像生成模型测试结果超越传统模型，展示了量子计算在生成学习中的潜力。

本文介绍了DeepSD框架，利用超级分辨率技术进行气候统计降尺度，以提高气候预测的准确性。研究应用于全球气候变化，采用生成模型改善高分辨率气象数据的一致性，尤其是在降水预测方面。通过结合深度学习和数值天气预报，提出的混合模型显著提升了预报技能。此外，研究比较了多种机器学习方法在气候模型降尺度中的效果，发现传统方法在某些情况下表现更佳。

本文研究了多保真度数据在强化学习中的应用，提出了多能级估计器和Monte Carlo RL方法，以提高学习性能。通过神经网络和残差函数建立模型相关性，实现高保真度数据的有效预测，节省计算成本。此外，提出了基于深度贝叶斯学习框架的主动学习方法，结合降维技术和多保真度建模，提升了气候预测和生物制造过程的建模准确性。

本文研究了可解释人工智能（XAI）在3D数据中的应用，提出了一种基于边缘和角点的视觉显著性方法，以提升模型的透明度和可信度。实验结果表明，使用SHAP方法的重新训练能够提高分类准确率。文章还探讨了XAI在不同分类场景中的表现及其在气候预测中的重要性，同时强调了XAI方法的局限性和误解风险。

灾难应对机构现在评估气候对人群的影响并分配资源。机器学习模型在气候预测方面强大，但在预测行动方面仍有差距。本研究回顾了机器学习应用，确定了共同挑战，并强调了机器学习在灾难应对方面的贡献。