本研究分析了2699篇关于微物理参数化的文献，揭示了不同参数化方案的使用模式及其在降水模拟中的系统偏差。结果显示，大多数参数化方案高估了降水量，尤其在中国和东南亚地区，强调了人工智能在文献研究中的应用价值。

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。

本文研究了多层神经网络和扩散模型在气象预测中的应用，包括台风路径、降水模拟和气候数据降尺度。提出的模型在准确性和多样性上表现优异，适用于特殊气象需求。此外，研究发布了数字台风数据集，为机器学习提供基准，展示了深度学习在天气数据超分辨率方面的潜力。

本文介绍了一种基于深度学习的降水模拟方法，可以全球范围内每30分钟预测未来4小时的降水情况。该方法融合了U-Net和LSTM神经网络，并使用来自GFS的IMERG数据和降水驱动因素进行训练。研究发现分类网络在极端降水模拟方面表现优于回归网络，并且物理变量的引入可以提高模拟准确性。该模型在10公里分辨率下仍具有较高的技能得分，特别适用于4毫米/小时以上的降水情况。

该文介绍了一种基于深度学习架构的降水模拟方法，可以全球范围内每 30 分钟进行一次未来 4 小时的预测。该架构融合了 U-Net 和 LSTM 神经网络，并使用来自 GFS 的 IMERG 数据和一些关键的降水驱动因素进行训练。分类网络在极端降水模拟方面表现优于回归网络，物理变量的引入可以提高降水模拟的准确性，特别是对于较长的预测时段。在分辨率为 10 公里的尺度下，该模型仍然具有较高的技能得分，尤其对于 4 毫米 / 小时以上的降水情况。