在加州冬季旅行时，气候温和多雨，建议携带一到两件外套和内衬，早晚温度较低，适合穿薄羽绒服或卫衣。出行时可备伞以应对降雨，海边游玩需带拖鞋并准备清水冲洗。

本研究解决了水循环中降雨-径流过程模拟的传统模型局限性，通过提出一种新的频率调谐对角状态空间序列模型（S4D-FT），为降雨-径流模拟提供了创新的解决方案。实验结果表明，S4D-FT在多样化区域的表现优于现有的LSTM模型，挑战了LSTM在水文领域的主导地位，为水文建模提供了更多深度学习工具。

本研究解决了机器学习方法在地球科学中应用时的可解释性不足问题。通过采用质量守恒感知器（MCP）作为基础计算单元，论文展示了一种简约的分布状态多流路径网络，成功实现了物理可解释性与优异的预测性能。这一发现有助于推动地球科学研究中机器学习的应用，为科学理解的进步提供了新的视角。

本文提出了一种数据驱动的方法，估计合成孔径雷达下的降水率，分辨率为每像素200米。研究解决了SAR与气象雷达数据对齐的问题，并提高了强风条件下的降雨估计准确性。

我制作了一个笔，大家来看看！

本文介绍了一种多尺度Transformer模型，用于有效地探索雨纹的多尺度表示。该模型利用各种尺度上的特征来提高图像重建的质量，并通过内部尺度隐式神经表示来提高模型的鲁棒性。实验证明该方法在合成和实际世界数据集上表现优异。

使用DMD和LSTM方法研究印度东北地区118年的降雨数据，比较降雨预测效果。结果显示LSTM准确性优于DMD，展现了其捕捉复杂非线性关系的能力。数据驱动方法和深度学习方法提高降雨预测准确性，帮助减轻极端天气事件影响并增强适应能力。

通过引入扩散模型于降水预测任务，提出了一种基于历史观测数据的短时降水预报条件扩散模型（SRNDiff）。该模型通过加入条件解码器模块实现了端到端的降水预测，超越了 GANs 在条件生成方面的性能。扩散模型在降水预测中具有优势和潜力，并提供了新的见解。

MetNet是一种利用深度神经网络预测未来8小时降水情况的模型，通过自注意力机制聚合全局上下文，具有比数值天气预报更好的预测性能。

本文介绍了一种基于U-Net的深度学习模型，用于单幅图像去雾。该模型通过特征融合实现从有雾图像到去雾图像的高度非线性变换。在两个图像去雾基准测试中，该模型在GPU上高效地恢复超高清分辨率模糊图像，达到了顶尖水平。

本文介绍了通用NAS框架“Generic NAS”，通过自监督回归任务评估架构能力，在13个CNN搜索空间和一个NLP空间上进行实验，展示了GenNAS的高效性，提升了排名相关性和训练速度，并回答了两个NAS相关问题。

准确获取景点人群流量对于交通管理、公共服务和城市规划至关重要。一项新方法利用自监督学习和对比学习技术，通过预训练和微调来推测人群流量。实验证明，经过广泛噪声数据的预训练的模型优于从头开始训练的模型。

该研究使用气象时间序列数据和静态流域属性，通过LSTMs单个模型对531个流域进行训练，提高了性能。同时，提出了Entity-Aware-LSTM的改进网络架构。