本研究提出DiffScale模型，通过引入天气先验信息，解决亚季节风速预报的降尺度和偏差修正问题。该模型在不同空间分辨率和预测周期下显著提高了风速预报质量，具有重要的社会经济价值。

RainScaleGAN是一种条件生成对抗网络，旨在解决局部尺度降水模拟的挑战。它通过降尺度技术成功生成高分辨率的降水模式，其统计特征与真实数据高度相似，具有广泛的应用潜力。

本研究提出了一种基于深度学习的海洋仿真与降尺度框架，成功实现了墨西哥湾8公里分辨率的海洋仿真，并降尺度至4公里，展现出良好的短期技能和长期统计特性。

本文研究了深度学习在气候变化预测中的应用，提出利用深度生成模型改善气象数据的空间一致性，特别是在降水降尺度方面。通过去噪扩散概率模型（DDPM）和扩散概率降尺度模型（DPDM），实现了高效的气候数据降尺度，克服了传统方法的局限性。研究强调了机器学习在气候模型输出中的潜力，为应对极端天气事件提供了高分辨率的气候信息。

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。

该文综述机器学习在气候建模中的应用，包括深度算子网络代理偏差校正、超分辨率与对比学习提升空间分辨率、LSTM混合框架预测极端事件、深度集合量化不确定性，以及DeepSD、Fourier神经算子等降尺度方法。研究表明，机器学习可提高气候模拟的准确性与效率，但直接应用未必优于传统方法。

扩散模型在降水与气候预测中表现突出：PreDiff结合物理约束的两阶段概率时空预测优于其他深度学习模型；潜在扩散模型生成更高质量、更多样的降水预报；TRDM提升长期降雨预报精度；EDiffSR改进遥感图像超分辨率；条件扩散模型有效降尺度气候数据；RDDM统一图像生成与恢复；千米级降尺度扩散模型以低成本替代数值模拟，忠实恢复风雨极端事件关系。

本文综述深度学习在流体与气象数据降尺度中的应用，包括Fourier神经算子零样本升采样、扩散模型生成湍流及千米级降尺度，可重建高分辨率流场与极端天气，性能优于传统插值。

该文综述扩散模型在地球科学预测中的应用：PreDiff采用两阶段概率时空预测并结合物理约束，在N-body MNIST与SEVIR降雨数据上有效处理不确定性；ResDiff实现千米级降尺度，恢复极端风雨的幂律关系；FengWu-Adas同化系统七天预报优于IFS；强化学习同化在洛伦兹系统中优于集合卡尔曼滤波；DDPM用于区域气候降尺度，去噪训练提升分类器泛化。