气候物理学的机器学习
作者：Monteleoni, Claire
负排放技术和可靠封存：研究议程
（国家科学院出版社，2019）。政府间气候变化专门委员会
2023 年气候变化：综合报告（核心写作团队编辑，Lee, H. 和 Romero, J.）（IPCC，2023 年）。McWilliams, J. C. 海洋中的亚尺度洋流。
过程。R.苏克。伦敦。一个 第472章，20160117（2016）。
洛杉矶曼斯菲尔德等人。用于理解和模拟气候系统的模型层次结构的更新：重点关注数据知情方法和气候变化影响。J.Adv。模型。地球系统。 15，e2023MS003715 (2023)。
赖希斯坦，M.等人。数据驱动的地球系统科学的深度学习和过程理解。自然 第566章，195–204 (2019)。
Dijkstra, H. A.、Petersik, P.、Hernández-García, E. 和 López, C. 应用机器学习技术提高厄尔尼诺预测技能。正面。物理。 7，153（2019）。
索内瓦尔德，M.等人。利用机器学习将海洋观测、理论和数值模拟联系起来。环境。资源。莱特。 16，073008（2021）。
Nadiga, B. T. 水库计算作为气候可预测性研究的工具。J.Adv。模型。地球系统。 13，e2020MS002290 (2021)。
Watson-Parris, D. 天气和气候的机器学习是截然不同的。菲尔.跨。R.苏克。一个 第379章，20200098（2021）。
Chantry, M.、Christensen, H.、Dueben, P. 和 Palmer, T. 天气和气候建模中机器学习的机遇和挑战：硬人工智能、中人工智能和软人工智能。菲尔.跨。R.苏克。一个 第379章，20200083（2021）。
Irrgang，C. 等人。通过将人工智能融入地球系统科学来实现神经地球系统建模。纳特。马赫。英特尔。 3，667–674 (2021)。
卡西纳特，K.等人。基于物理的机器学习：天气和气候建模的案例研究。菲尔.跨。R.苏克。一个 第379章，20200093（2021）。
Christensen, H. 和 Zanna, L. 天气和气候模型的参数化。在牛津研究气候科学百科全书 https://doi.org/10.1093/acrefore/9780190228620.013.826（牛津大学出版社，2022 年）。
Burgh-Day, C. O. D. 和 Leeuwenburg, T. 用于数值天气和气候建模的机器学习：评论。EGU球体 2023年，1-48 (2023)。
谷歌学术一个
GCOS。2021 年全球气候观测系统：GCOS 状况报告（世界气象组织，2021 年）。
Hess, P.、Drüke, M.、Petri, S.、Strnad, F. M. 和 Boers, N. 用于改善地球系统模型降水场的物理约束生成对抗网络。纳特。马赫。英特尔。 4，828–839 (2022)。
Haas, M.、Goswami, B. 和 von Luxburg, U. 气候网络建设的陷阱 - 统计视角。J.克莱姆。 36，3321–3342 (2023)。
沉，H.等人。遥感数据缺失信息重建：技术综述。IEEE 地球科学。遥感杂志。 3，61–85 (2015)。
Carrassi, A.、Bocquet, M.、Bertino, L. 和 Evensen, G. 地球科学中的数据同化：方法、问题和观点概述。威利跨学科。克莱姆牧师。改变 9，e535（2018）。
米格诺特，A.等人。使用机器学习和生物地球化学-Argo (BGC-Argo) 浮标来评估生物地球化学模型并优化观测系统设计。生物地球科学 20，1405 - 1422 (2023)。
Barth, A.、Alvera-Azcárate, A.、Licer, M. 和 Beckers, J.-M.Dincae 1.0：具有误差估计的卷积神经网络，用于重建海面温度卫星观测结果。地理学。模型开发 13，1609 - 1622 (2020)。
Beauchamp, M.、Febvre, Q.、Georgenthum, H. 和 Fablet, R. 4DVarNet-SSH：天底和宽幅卫星测高的变分插值方案的端到端学习。地理学。模型开发讨论。 2022年，1-37 (2022)。
谷歌学术一个
Bessenbacher, V.、Seneviratne, S. I. 和 Gudmundsson, L. CLIMFILL v0.9：智能间隙填充地球观测的框架。地理学。模型开发 15，4569–4596 (2022)。
穆拉，A.等人。木星极地气旋的振荡和稳定性。地球物理学。资源。莱特。 48，e2021GL094235 (2021)。
马丁内斯，E.等人。神经网络方法重建全球海洋中的浮游植物时间序列。遥感。 12，4156（2020）。
Landy, J. C.、Ehn, J. K.、Babb, D. G.、Thériault, N. 和 Barber, D. G. 加拿大北极东部海冰厚度：哈德逊湾综合体和巴芬湾。遥感环境。 200，281–294 (2017)。
Harilal, N.、Hodge, B.-M.、Subramanian, A. 和 Monteleoni, C. Stint：地理空间数据的自监督时间插值。预印本于https://arxiv.org/abs/2309.00059（2023）。
里克，R.等人。来自合并的 CryoSat-2 和 SMOS 卫星数据的每周北极海冰厚度数据记录。冰冻圈 11，1607 - 1623 (2017)。
Salathé, E. P.、Leung, L. R.、Qian, Y. 和Zhang, Y. 华盛顿州区域气候模型预测。爬升。改变 102，51–75 (2010)。
巴德，D.等人。气候模型：优势和局限性评估。美国气候变化科学计划综合和评估产品 3.1（美国能源部，2009 年）。
Harris, L.、McRae, A. T.、Chantry, M.、Dueben, P. D. 和 Palmer, T. N. 降水预报随机降尺度的生成深度学习方法。J.Adv。模型。地球系统。 14，e2022MS003120 (2022)。
Kajbaf, A. A.、Bensi, M. 和 Brubaker, K. L. 使用机器学习从气候模型预测中降水量的时间降尺度。斯托赫。环境。资源。风险评估。 36，2173 年至 2194 年 (2022 年)。
Leinonen, J.、Nerini, D. 和 Berne, A. 使用生成对抗网络缩小随时间演化的大气场的随机超分辨率。IEEE 传输。地理学。遥感。 59，7211–7223 (2020)。
Höhlein, K.、Kern, M.、Hewson, T. 和 Westermann, R。风场降尺度卷积神经网络模型的比较研究。梅泰罗尔。应用。 27，e1961（2020）。
Serifi, A.、Günther, T. 和 Ban, N. 使用卷积和误差预测神经网络对气候数据进行时空降尺度。正面。爬升。 3，656479（2021）。
Harilal, N.、Hodge, B.-M.、Monteleoni, C. 和 Subramanian, A.EnhancedSD：根据气候模型预测缩小太阳辐照度。在利用机器学习应对气候变化：NeurIPS 2022 研讨会（2022）。
马尔达尼，M.等人。公里级大气降尺度的剩余校正扩散模型。预印本于研究广场 https://doi.org/10.21203/rs.3.rs-3673869/v1（2024）。
蒂里亚，S.等人。使用深度学习算法融合异构观测来缩小海洋场的规模。海洋模型。 182，102174（2023）。
Barthélémy, S.、Brajard, J.、Bertino, L. 和 Counillon, F. 超分辨率数据同化。海洋动力。 72，661–678 (2022)。
Bischoff, T. & Deck, K. 使用扩散桥对流体流动进行不成对的降尺度。阿蒂夫。英特尔。地球系统。 3，e230039 (2024)。
谷歌学术一个
Groenke, B.、Madaus, L. 和 Monteleoni, C. Climalign：通过标准化流量对气候变量进行无监督统计降尺度。在过程。第十届国际气候信息学会议 CI2020，60–66（ACM，2021）。
哈德，P.等人。使用硬约束神经网络生成物理一致的高分辨率气候数据。在AAAI 2022 年秋季研讨会论文集：人工智能在应对气候挑战中的作用 https://www.climatechange.ai/papers/aaaifss2022/5（2022）。
Blei, D. M.、Kucukelbir, A. 和 McAuliffe, J. D. 变分推理：统计学家综述。J. Am.统计。副教授。 112，859–877 (2017)。
兰图埃茹尔，C.地统计模拟：模型和算法，1139（施普林格，2001）。
Cleary, E.、Garbuno-Inigo, A.、Lan, S.、Schneider, T. 和 Stuart, A. M. 校准、模拟、采样。J. 计算机。物理。 第424章，109716（2021）。
Haynes, K.、Lagerquist, R.、McGraw, M.、Musgrave, K. 和 Ebert-Uphoff, I。使用神经网络创建和评估环境科学应用的不确定性估计。阿蒂夫。英特尔。地球系统。 2，220061（2023）。
谷歌学术一个
普莱斯，I.等人。Gencast：基于扩散的中程天气集合预报。预印本于https://arxiv.org/abs/2312.15796（2023）。
Qi, D. 和 Majda, A. J. 使用机器学习来预测复杂系统中的极端事件。过程。国家科学院。科学。美国 117，52–59（2019）。
Miloshevich, G.、Cozian, B.、Abry, P.、Borgnat, P. 和 Bouchet, F. 在缺乏数据的情况下使用卷积神经网络对极端热浪进行概率预测。物理。修订液 8，040501（2023）。
Tagklis, F.、Bracco, A.、Ito, T. 和 Castelao, R. M. 拉布拉多海深水形成的亚尺度调制。科学。代表。 10，17489（2020）。
施耐德，T.等人。利用人工智能和计算来推进气候建模和预测。纳特。爬升。改变 13，887–889 (2023)。
Smagorinsky, J. 使用原始方程进行大气环流实验。一、基础实验。周一。天气修订版 91，99（1963）。
Schneider, T.、Lan, S.、Stuart, A. 和 Teixeira, J. 地球系统建模 2.0：从观测和有针对性的高分辨率模拟中学习的模型蓝图。地球物理学。资源。莱特。 44，12396–12417 (2017)。
Couvreux，F.等人。利用机器学习进行基于过程的气候模型开发：I.用于参数化改进的校准工具。J.Adv。模型。地球系统。 13，e2020MS002217 (2020)。
麦克尼尔，D.等人。使用增强模拟器纠正气候模型中的偏差。地理学。模型开发 13，2487 - 2509 (2020)。
Watson-Parris, D.、Williams, A.、Deaconu, L. 和 Stier, P。使用 ESEm v1.1.0 进行模型校准 — 一个开放的、可扩展的地球系统模拟器。地理学。模型开发 14，7659–7672 (2021)。
Neelin, J. D.、Bracco, A.、Luo, H.、McWilliams, J. C. 和 Meyerson, J. E. 气候模型参数优化和敏感性的考虑因素。过程。国家科学院。科学。美国 170，e21349–21354 (2010)。
Kutz, J. N. 用于参数估计的机器学习。过程。国家科学院。科学。美国 120，e2300990120 (2023)。
Frezat, H.、Le Sommer, J.、Fablet, R.、Balarac, G. 和 Lguensat, R. 准地转湍流参数化的后验学习。J.Adv。模型。地球系统。 14，e2022MS003124 (2022)。
Gentine, P.、Pritchard, M.、Rasp, S.、Reinaudi, G. 和 Yacalis, G. 机器学习能否打破对流参数化僵局？地球物理学。资源。莱特。 45，5742–5751 (2018)。
Zanna, L. 和 Bolton, T. 海洋中尺度闭合的数据驱动方程发现。地球物理学。资源。莱特。 47，e2020GL088376 (2020)。
Beucler, T.、Rasp, S.、Pritchard, M. 和 Gentine, P. 在用于气候建模的神经网络模拟器中实现能量守恒。预印本于https://arxiv.org/abs/1906.06622（2019）。
伯克勒，T.等人。气候不变的机器学习。科学。副词。 10，eadj7250 (2024)。
guan, Y.、Subel, A.、Chattopadhyay, A. 和 Hassanzadeh, P。在小数据状态下学习物理约束的子网格尺度闭包，以实现稳定和准确的 LES。物理。D 第443章，133568（2023）。
Rudin, C. 停止解释高风险决策的黑盒机器学习模型，而使用可解释的模型。纳特。马赫。英特尔。 1，206–215 (2019)。
Ráz, T. 和 Beisbart, C. 理解深度学习的重要性。埃肯特尼斯 89，1823 年至 1840 年 (2024 年)。
Sun, Y. Q.、Hassanzadeh, P.、Alexander, M. J. 和 Kruse, C. G. 在热带对流允许模拟库中量化 3D 重力波阻力，以实现数据驱动的参数化。J.Adv。模型。地球系统。 15，e2022MS003585 (2023)。
Jakhar, K.、Guan, Y.、Mojgani, R.、Chattopadhyay, A. 和 Hassanzadeh, P。从高保真数据学习亚网格规模闭包的闭式方程：承诺和挑战。J.Adv。模型。地球系统。 16，e2023MS003874 (2024)。
Brenowitz, N. D.、Beucler, T.、Pritchard, M. 和 Bretherton, C. S. 解释和稳定对流的机器学习参数化。J·阿特莫斯。科学。 77，4357–4375 (2020)。
Wang，X.，Han，Y.，Xue，W.，Yang，G.和Zhang，G.J.使用具有神经网络参数化的现实大气环流模型对大气潮湿物理和辐射过程进行稳定气候模拟。地理学。模型开发 15，3923 - 3940 (2022)。
格伦德纳，A.等人。ICON 基于深度学习的云层覆盖参数化。J.Adv。模型。地球系统。 14，e2021MS002959 (2022)。
科奇科夫，D.等人。天气和气候的神经大气环流模型。自然 第632章，1060 - 1066 (2024)。
Ross, A.、Li, Z.、Perezhogin, P.、Fernandez-Granda, C. 和 Zanna, L. 理想化模型中机器学习海洋子网格参数化的基准测试。J.Adv。模型。地球系统。 15，e2022MS003258 (2023)。
Kontolati, K.、Goswami, S.、Shields, M. D. 和 Karniadakis, G. E. 关于基于流形的代理和深度神经算子的过度参数化的影响。J. 计算机。物理。 第479章，112008（2023）。
施耐德，T.，斯图尔特，A.M. 和吴，J.-L。用于从时间平均数据稀疏学习动态系统的集成卡尔曼反演。J. 计算机。物理。 第470章，111559（2022）。
Dunbar, O. R.、Garbuno-Inigo, A.、Schneider, T. 和 Stuart, A. M. 理想化 GCM 中对流参数的校准和不确定性量化。J.Adv。模型。地球系统。 13，e2020MS002454 (2021)。
Mojgani, R.、Waelchli, D.、Guan, Y.、Koumoutsakos, P. 和 Hassanzadeh, P. 基于多智能体强化学习的大气和海洋湍流参数化的极端事件预测。预印本于https://arxiv.org/abs/2312.00907（2023）。
Rasp, S.、Pritchard, M. S. 和 Gentine, P. 深度学习表示气候模型中的子网格过程。过程。国家科学院。科学。美国 115，9684–9689 (2018)。
Subel, A.、Guan, Y.、Chattopadhyay, A. 和 Hassanzadeh, P. 解释数据驱动的湍流建模中迁移学习的物理原理。美国国家科学院院刊 2，pgad015（2023）。
Shen, Z.、Sridhar, A.、Tan, Z.、Jaruga, A. 和 Schneider, T. 全球气候模型强制的大涡流模拟库。J.Adv。模型。地球系统。 14，e2021MS002631 (2022)。
Pahlavan, H. A.、Hassanzadeh, P. 和 Alexander, M. J. 用于参数化的神经网络的可解释离线在线训练：小数据状态下的一维重力波 QBO 测试台。地球物理学。资源。莱特。 51，e2023GL106324 (2024)。
Grundner, A.、Beucler, T.、Gentine, P. 和 Eyring, V. 云覆盖参数化的数据驱动方程发现。J.Adv。模型。地球系统。 16，e2023MS003763 (2024)。
卡尼亚达基斯，G.E.等人。基于物理的机器学习。纳特。物理博士。 3，422–440 (2021)。
Champion, K.、Lusch, B.、Kutz, N. 和 Brunton, S. L. 数据驱动的坐标和控制方程发现。过程。国家科学院。科学。美国 116，22445–22451 (2019)。
Reinbold, P. A. K.、Kageorge, L. M.、Schatz, M. F. 和 Grigoriev, R. O. 通过物理约束符号回归从噪声、不完整、高维实验数据中进行鲁棒学习。纳特。交流。 12，3219（2021）。
Golden, M.、Grigoriev, R. O.、Nambisan, J. 和 Fernandez-Nieves, A. 活性向列的物理信息数据驱动建模。科学。副词。 9, eabq6120 (2023)。
Slingo, J. 和 Palmer, T. 天气和气候预测的不确定性。菲尔.跨。R.苏克。一个 第369章，4751–4767 (2011)。
杨，R.等人。用于天气和气候预测的可解释机器学习：一项调查。大气。环境。 第338章，120797（2024）。
Dueben, P. D. 和 Bauer, P. 基于机器学习的全球天气和气候模型的挑战和设计选择。地理学。模型开发 11，3999 - 4009 (2018)。
Weyn, J. A.、Durran, D. R. 和 Caruana, R. 机器能学会预测天气吗？使用深度学习根据历史天气数据预测网格化 500 hPa 位势高度。J.Adv。模型。地球系统。 11，2680 - 2693 (2019)。
Weyn, J. A.、Durran, D. R.、Caruana, R. 和 Cresswell-Clay, N. 使用大量深度学习天气预报模型进行次季节预报。J.Adv。模型。地球系统。 13，e2021MS002502 (2021)。
阿科马诺，T.等人。基于机器学习的全球大气预报模型。地球物理学。资源。莱特。 47，e2020GL087776 (2020)。
Rasp, S. 和 Thuerey, N. 数据驱动的中期天气预报，带有针对气候模拟进行预训练的 resnet：气象台的新模型。J.Adv。模型。地球系统。 13，e2020MS002405 (2021)。
Palmer, T. 2030 年数值天气预报的愿景。预印本于https://arxiv.org/abs/2007.04830（2022）。
Keisler, R. 使用图神经网络预测全球天气。预印本于https://arxiv.org/abs/2202.07575（2022）。
帕塔克，J.等人。FourCastNet：使用自适应傅立叶神经算子的全球数据驱动的高分辨率天气模型。在PASC™23：高级科学计算平台会议记录，13（ACM，2023）；https://doi.org/10.1145/3592979.3593412。Bi，K.等人。
利用 3D 神经网络进行准确的中期全球天气预报。自然 619，533–538 (2023)。
林，R.等人。学习熟练的中期全球天气预报。科学 第382章，1416 - 1421 (2023)。
陈，L.等人。FuXi：用于 15 天全球天气预报的级联机器学习预报系统。npj 气候。大气。科学。 6，190（2023）。
陈，K.等人。凤舞：将全球中期天气预报超前10天。预印本于https://arxiv.org/abs/2304.02948（2023）。
Bogerd, L.、Overeem, A.、Leijnse, H. 和 Uijlenhoet, R. 对荷兰 IMERG 后期降水量估计的五年综合评估。J.Hydrometeorol。 22，1855 年至 1868 年（2021 年）。
谷歌学术一个
赫斯巴赫，H.等人。ERA5 全局重新分析。Q.J.R.Meteorol。苏克。 146，1999 年至 2049 年（2020 年）。
Andrychowicz，M.等人。从稀疏观测中深度学习每日预测。预印本于https://arxiv.org/abs/2306.06079（2023）。
拉武里，S.等人。使用雷达深度生成模型进行熟练的降水临近预报。自然 第597章，672–677 (2021)。
Ji，Y.，Gong，B.，Langguth，M.，Mozaffari，A.＆Zhi，X. CLGAN：基于 GAN 的降水临近预报视频预测模型。EGU球体 2022年，1-23 (2022)。
谷歌学术一个
本-布瓦莱格，Z. 等人。数据驱动的天气预报的兴起：在类似操作的背景下对基于机器学习的天气预报进行首次统计评估。公牛。是。梅泰罗尔。苏克。 105、E864→E883 (2024)。
Selz, T. & Craig, G. C. 基于人工智能的天气预报模型能否模拟蝴蝶效应？地球物理学。资源。莱特。 50，e2023GL105747 (2023)。
Bonavita, M. 关于当前机器学习天气预报模型的一些局限性。地球物理学。资源。莱特。 51，e2023GL107377 (2023)。
Salmon, R. 哈密顿流体力学。安努。流体力学修订版。 20，225–256 (1988)。
霍尔姆 (D. D.)、马斯登 (J. E.) 和拉蒂乌 (T. S.)大尺度大气-海洋动力学。二.几何方法和模型（Norbury, J. 和 Roulstone, I. 编辑）251–299（剑桥大学出版社，2002 年）。
Finzi, M.、Stanton, S.、Izmailov, P. 和 Wilson, A. G. 将卷积神经网络推广到任意连续数据上的李群的等方差。在过程。第 37 届国际机器学习会议，ICML—20（JMLR.org，2020）。
Chattopadhyay, A.、Mustafa, M.、Hassanzadeh, P.、Bach, E. 和 Kashinath, K. 走向物理启发的数据驱动天气预报：将数据同化与基于深度空间变换器的 u-net 集成ERA5 的案例研究。地理学。模型开发 15，2221 - 2237 (2022)。
Wang, R.、Walters, R. 和 Yu, R. 将对称性纳入深度动力学模型以提高泛化能力。在国际学习表征会议 https://openreview.net/forum?id=wta_8Hx2KD（2021）。
瓦特-迈耶，O. 等人。ACE：一个快速、熟练的学习全球大气模型，用于气候预测。预印本于https://arxiv.org/abs/2310.02074（2023）。
Hakim, G. J. 和 Masanam, S. 深度学习天气预报模型的动态测试。阿蒂夫。英特尔。地球系统。 3，e230090 (2024)。
谷歌学术一个
Flora, M. L.、Potvin, C. K.、McGovern, A. 和 Handler, S. 大气科学的机器学习可解释性教程。阿蒂夫。英特尔。地球系统。 3，e230018 (2024)。
谷歌学术一个
DelSole，T.等人。跟踪季节性预测模型。在气候科学的机器学习和数据挖掘方法：Proc。第五届国际气候信息学研讨会（2015）。
Brajard, J.、Counillon, F.、Wang, Y. 和 Kimmritz, M. 通过对新数据的集合进行最佳加权来增强季节性预测技能。天气预报。 38，1241 - 1252 (2023)。
塞萨-比安奇 (Cesa-Bianchi)，N. 和卢戈西 (Lugosi)，G.预测、学习和游戏（剑桥大学出版社，2006 年）。
Monteleoni, C.、Schmidt, G. A.、Saroha, S. 和 Asplund, E. 跟踪气候模型。统计。肛门。数据最小值 4，372–392 (2011)。
McQuade, S. 和 Monteleoni, C. 使用地理空间邻域进行全球气候模型跟踪。在过程。第26届AAAI人工智能大会，335–341（AAAI，2012）。
McQuade, S. 和 Monteleoni, C. 在地球科学中的大规模机器学习；数据挖掘与知识发现系列（Srivastava，A. 等编辑），Ch.3（查普曼和霍尔/CRC，2017）。
McQuade, S. & Monteleoni, C. 从单个任务中进行多任务学习：不同的预测周期可以用来相互改进吗？在过程。第五届国际气候信息学研讨会（2015）。
Chattopadhyay, A.、Nabizadeh, E. 和 Hassanzadeh, P. 使用深度学习对极端天气模式进行模拟预测。J.Adv。模型。地球系统。 12，e2019MS001958 (2020)。
Lopez-Gomez, I.、McGovern, A.、Agrawal, S. 和 Hickey, J. 使用神经天气模型进行全球极热预报。阿蒂夫。英特尔。地球系统。 2，e220035 (2023)。
谷歌学术一个
李，H.等人。优于传统全球次季节预测模型的机器学习模型。纳特。交流。 15，6425（2024）。
Mayer, K. J. & Barnes, E. A. 通过可解释的神经网络识别的次季节机会预测。地球物理学。资源。莱特。 48，e2020GL092092 (2021)。
Falasca, F.、Crétat, J.、Braconnot, P. 和 Bracco, A. 全新世中晚期海面温度的时空复杂性和时间依赖性网络。欧元。物理。J·普拉斯 135，392（2020）。
克劳利，C.J.等人。湍流跟踪重复的解决方案。过程。国家科学院。科学。美国 119，e2120665119 (2022)。
蒂默曼，A.等人。厄尔尼诺-南方涛动的复杂性。自然 第559章，535–545 (2018)。
Barnston, A. G.、Tippett, M. K.、Ranganathan, M. 和 L–Heureux, M. L. 北美多模式集合的 ENSO 预测的确定性技能。爬升。动态。 53，7215–7234 (2019)。
Ham，Y.-G.，Kim，J.-H。＆罗，J.-J。多年 ENSO 预测的深度学习。自然 第573章，568–572 (2019)。
Petersik, P. J. 和 Henk A. Dijkstra, D. 使用神经网络模型对厄尔尼诺现象进行概率预测。地球物理学。资源。莱特。 47，e2019GL086423 (2020)。
Patil, K. R.、Doi, T.、Jayanthi, V. R. 和 Behera, S. 深度学习，用于熟练的长期 ENSO 预测。正面。爬升。 4，1058677（2023）。
Hassanibesheli, F.、Kurths, J. 和 Boers, N. 使用回声状态网络进行长期 ENSO 预测。环境。分辨率： 攀登。 1，011002（2022）。
Ham，Y.-G.，Kim，J.-H.，Kim，E.-S。& On，K.-W。通过将季节性纳入气候数据，统一厄尔尼诺/南方涛动预测的深度学习模型。科学。公牛。 66，1358–1366 (2021)。
Shin, N.-Y.、Ham, Y.-G.、Kim, J.-H.、Cho, M. 和 Kug, J.-S.应用深度学习来理解 ENSO 动力学。阿蒂夫。英特尔。地球系统。 1，e210011 (2022)。
谷歌学术一个
Jonnalagadda, J. & Hashemi, M. 使用自适应图卷积循环神经网络进行 ENSO 预测。工程师。过程。 39，5（2023）。
谷歌学术一个
赫尔曼森，L.等人。WMO 全球年度至十年气候更新：2021 年至 25 日的预测。公牛。是。梅泰罗尔。苏克。 103、E1117-E1129 (2022)。
耶格尔，S.G.等人。预测地球系统的近期变化：使用社区地球系统模型进行的初始化十年预测模拟的大型集合。公牛。是。梅泰罗尔。苏克。 99，1867 年至 886 年（2018 年）。
史蒂文斯，B.等人。Dyamond：以非静水力域为模型的大气环流动力学。程序。地球行星。科学。 6，61（2019）。
霍恩格，C.等人。ICON-sapphire：模拟地球系统的组成部分及其在公里和亚公里尺度上的相互作用。地理学。模型开发 16，779–811 (2023)。
博内夫，B.等人。球形傅立叶神经算子：学习球体上的稳定动力学。预印本于https://arxiv.org/abs/2306.03838（2023）。
拉哈曼，N.等人。关于神经网络的谱偏差。在过程。第36届国际机器学习会议（Chaudhuri, K. 和 Salakhutdinov, R. 编辑）5301–5310（PMLR，2019）。
Chattopadhyay, A. 和 Hassanzadeh, P。基于深度学习的气候系统数字孪生的长期不稳定性：原因和解决方案。预印本于https://arxiv.org/abs/2304.07029（2023）。
Subel, A. 和 Zanna, L. 构建海洋气候模拟器。预印本于https://arxiv.org/abs/2402.04342（2024）。
王X.等。羲和：全球海洋涡旋分辨预报的数据驱动模型。预印本于https://arxiv.org/abs/2402.02995v2（2024）。
Strobach, E. & Bel, G. 使用学习算法改进气候预测并减少其不确定性。大气。化学。物理。讨论。 15，7707–7734 (2015)。
Nguyen, T.、Brandstetter, J.、Kapoor, A.、Gupta, J. K. 和 Grover, A. ClimaX：天气和气候的基础模型。预印本于https://arxiv.org/abs/2301.10343（2023）。
Toms, B. A.、Barnes, E. A. 和 Hurrell, J. W. 使用可解释的神经网络评估地球系统模型中的年代际可预测性。地球物理学。资源。莱特。 48，e2021GL093842 (2021)。
史蒂文斯，B.等人。地球虚拟化引擎（EVE）。地球系统。科学。数据 16，2113 年至 2122 年 (2024 年)。
Devlin, J.、Chang, M.-W.、Lee, K. 和 Toutanova, K. Bert：用于语言理解的深度双向转换器的预训练。预印本于https://arxiv.org/abs/1810.04805（2019）。
Bommasani，R.等人。论基础模型的机遇与风险。预印本于https://arxiv.org/abs/2108.07258（2021）。
莱西格，C.等人。Atmorep：使用大规模表示学习的大气动力学随机模型。预印本于https://arxiv.org/abs/2308.13280（2023）。
孙，Y.Q.等人。数据驱动参数化中的数据不平衡、不确定性量化和迁移学习：waccm 中重力波动量传输仿真的经验教训。J.Adv。模型。地球系统。 16，e2023MS004145 (2024)。
Ragone, F.、Wouters, J. 和 Bouchet, F. 使用大偏差算法计算气候模型中的极端热浪。过程。国家科学院。科学。美国 115，24-29（2018）。
Lancia, G.、Goede, I. J.、Spitoni, C. 和 Dijkstra, H. 厄尔尼诺预测中基于数据的方法捕获的物理学。混沌：跨学科。J.非线性科学。 32，103115（2022）。
Saha, M.、Soni, D.、Finley, B. 和 Monteleoni, C. 太平洋 ENSO 地区信息中心的变化。在过程。第九届国际气候信息学研讨会（CI）（2019）。
Montavon, G.、Binder, A.、Lapuschkin, S.、Samek, W. 和 Müller, K.-R。在可解释的人工智能：解释、解释和可视化深度学习（Samek, W. 等编辑）193-209（Springer，2019）。
Mamalakis, A.、Ebert-Uphoff, I. 和 Barnes, E. A.xxAI – 超越可解释的人工智能（Holzinger, A. 等编辑）315–339（Springer，2022）。
兰迪，J.C. 等人。CryoSat-2 的全年卫星海冰厚度记录。自然 609，517–522 (2022)。
Williams, T.、Korosov, A.、Rampal, P. 和 àlason, E. 北极海冰预报系统 nextsim-f 的演示和评估。冰冻圈 15，3207–3227 (2021)。
SWOT 数据挑战 NATL60 — 2020a SSH 映射 NATL60。阿维索 https://www.aviso.altimetry.fr/en/data/products/ocean-data-challenges/2020a-ssh-mapping-natl60.html（2020）。
曼斯豪森，P.等人。千米尺度稀疏气象站观测的生成数据同化。预印本于https://arxiv.org/abs/2406.16947（2024）。
Huang, L.、Gianinazzi, L.、Yu, Y.、Dueben, P. D. 和 Hoefler, T. DiffDA：天气尺度数据同化的扩散模型。预印本于https://arxiv.org/abs/2401.05932（2024）。
帕塔克，J.等人。混沌过程的混合预测：将机器学习与基于知识的模型结合使用。混乱 28，041101（2018）。
关于《气候物理学的机器学习》的评论
暂无评论