XiaoMi-AI文件搜索系统
World File Search SystemDiffenbaugh
气候科学的可解释人工智能（XAI）：
利用不完善的气候模型，通过融合模拟和观测来更好地约束未来预测。例如 Labe 和 Barnes (2022)、Diffenbaugh 和 Barnes (2022，已提交)、Rader 等人 (2022，审核中)、Labe 和 Barnes (2021)、Barnes 等人 (2020a)、Barnes 等人 (2019)
极端气候预测的人工智能
•自21世纪初以来，人为的气候强迫已经加速了，这主要是由于全球经济不断增长并降低了土地和海洋Co 2水槽的吸收效率（Canadell等，2007）。基于较旧的归因期的研究经常低估全球变暖对未表现的近期极端可能性的影响，这反映了归因期间频率和样本外验证期间频率之间的差异（Diffenbaugh，2020年）。•驱动极端事件发生的物理过程之间的发生时间尺度不同，提出了独特的研究问题，并需要对事件的不同定义来了解基本机制。•过去的极端事件的数量本质上很小，由于观测值的稀缺性，可能会忽略许多事件（Seneviratne等，2021）。因此，动态模型的集合通常被其驱动程序的检测和归因委托，并且可能由模型限制引起的误解。•最新的数值气候模型中关键过程和反馈机制的不良表示，结合了初始状态下的不确定性，使复杂和混乱的系统（如大气）中的预测变得复杂（Faranda等，2017）。
卫星遥感中的巨大挑战
过去的五十年见证了卫星遥感成为在当地，区域和全球空间尺度上测量地球的最有效工具之一。这些基于空间的观测值具有无损特征，可快速监测环境大气，其基础表面和海洋混合层。此外，卫星仪器可以观察到有毒或危险环境，而不会使人员或设备处于危险之中。大规模连续的卫星观测值补充了详细（但稀疏）的现场观测，并为理论建模和数据同化提供了无与伦比的体积和内容的测量。目前有大量非常重要的应用程序依赖于卫星的数据。对大气的观察用于天气预测，监测环境污染，气候变化等。（Wielicki等，1996）。海洋表面的遥感用于监测海岸线动力学，海面温度和盐度，海洋生态系统和碳生物量，海平面变化，海洋杂物和薄壁，水流和浅水区的基础地形的映射等。（Fu等，2019）。从卫星中对土地的遥感极大地有助于探索矿产资源（Zhang等，2017），对浮游和干旱的监测（Jeyaseelan，2004年），土壤水分，土壤水分（Lakshmi，2013; Babaeian et al。 （Lentile等，2006），农业监测（Atzberger，2013年），城市规划（Kadhim等，2016）等。最后，社会科学对全球危机进行调查（例如Covid-19大流行）的努力是从利用各种有针对性可视化来对人类环境进行分类的卫星遥感数据集中受益的，然后将这些观察结果与各种社会经济数据集联系在一起。（Diffenbaugh等，2020）。此外，卫星遥感为收集全球信息（例如1）行星地形等全球信息提供了有效的工具； 2）温度，水蒸气，二氧化碳和其他痕量气体的大气中； 3）表面和大气的矿物质和化学成分，以及4）冰冻层的特性，例如雪，海冰，冰川和融化池，以及5）热球，电离层和磁层的颗粒和电磁特性。对地球的遥感也可以提高艺术的技术状态，这有助于发展深空遥感任务，例如Voyager（Kohlhase和Penzo，1977）和Cassini-Huygens太空研究任务（Matson等人，2002年）。在观测卫星发育的早期阶段，卫星传感器的设计通常是高度针对性的。例如，在1970年代发射了一系列仪器：Landsat和高级高分辨率辐射仪（AVHRR）仪器，针对监视陆地表面和云的监视，总臭氧映射光谱仪（TOMS）仪器（TOMS）仪器，集中于观察总柱ozone和高分辨率的基础辐射仪器（HIGH-RADIARE RADIARE SUSTIRES）仪器（HIR-RADIARE SONDER SUPSERINTY）。这些任务的部署为每个目标主题提供了独特的数据，并由