深度学习重塑海温预测精度
arXivDeep Learning-Based Statistical Downscaling of Sea Surface Temperature Using a Residual Corrective Neural Network近年来海洋热浪愈发频繁，高分辨率的海温预报需求迫切。本文介绍了一种基于残差校正神经网络（RCNN）的方法，能将全球粗分辨率数据转化为区域高分辨率数据，并采用合成数据增强技术，大幅提高了对极端海洋热浪的预测能力，标志着AI与海洋科学的深度结合。👥 研究团队：Onkar Jad
深度学习融合多源遥感实现蒸散发高分辨率全天候反演
蒸散发（Evapotranspiration，ET）是连接陆地水循环与能量交换的关键过程。获取高时空分辨率、全天候的蒸散发遥感数据，对于区域水资源管理、农业干旱监测和气候变化研究具有重要意义。卫星被动微波遥感能够实现全天候大范围陆面蒸散发反演，但空间分辨率较低；卫星光学遥感空间分辨率较高，但受云覆盖影响较大，时间连续性不足。如何兼顾全天候观测能力与精细空间信息，是陆地蒸散发遥感研究中的一个重要难题。近日，我院风云卫星遥感联合实验室李锐教授团队与人工智能学院、国家卫星气象中心、气象探测中心、空天信息创新研究