本研究解决了风速预测模型在智能电网中的应用问题，特别是由于风速的间歇性特征所带来的挑战。采用一种混合机器学习方法，通过成功变分模态分解和最小二乘支持向量机结合长短期记忆网络进行短期风速预测。结果表明，该方法相较于基准模型在根均方误差和平均绝对误差上显著降低，展示了其在风能集成中的重要应用潜力。

通过改变CNN-LSTM和自回归模型的输入数据形状，研究发现一种新的特征工程方法，能够以83％的准确率预测长达24个时间步的未见数据，并在短期、中期和长期预测方面表现出较高的准确性。这为进一步研究形状导向的特征工程在不同预测时间范围内的噪声降低策略铺平了道路。

通过调整训练程序并使用阈值加权连续排序概率评分（twCRPS），改进了极端风速概率预测的统计后处理模型。加权训练和线性池化策略平衡了性能提升与分布主体预测性能恶化之间的问题。结果将提高概率预测模型在极端事件和其他感兴趣的事件上的性能。

本论文提出了一种基于改进的门控循环神经网络（AtGRU）和错误校正策略的短期风速预测模型。该模型利用AtGRU作为初步预测器和GRU作为错误纠正器，通过SSA降噪风速序列，并使用VMD训练预测误差。在Woodburn、St. Thomas和Santa Cruz的风速预测中，该模型表现出色，显著提高了准确性。

这项研究通过进行理论和定量比较，分析了应用于卫星图像的 DNN 模型中现有的不确定性量化方法，以海洋热带气旋的风速估算任务为例，发现预测不确定性可用于提高准确性，并对不同方法的预测不确定性进行了分析。

通过改变CNN-LSTM和自回归模型的输入数据形状，研究发现一种新的特征工程方法，能够提高对噪声的处理能力，并在预测未见数据时取得了显著的改善。该方法能够以83％的准确率预测长达24个时间步的数据，并在短期、中期和长期预测方面表现出较高的准确性。

利用卫星高度计和数据同化技术提高了监测海表面动态的能力。通过训练基于模拟的神经映射方案，结果显示其优于基于观测和再分析产品的方案。这为海洋建模和观测提供了新的研究途径。

该研究提出了一种名为 Windformer 的方法，通过将风力涡轮群体分为多个非重叠的窗口并计算窗口内的相关性，然后部分移动窗口以提供窗口之间的连接性，并最终基于详细和全局信息融合多通道特征，以动态建模风速变化过程。这种方法在提高预测准确性方面相较于目前其他先进方法，平均均方误差 (MSE) 能减少 2 到 15 个百分点。