41 Arbeiten
Diese Studie validiert die Übereinstimmung zwischen koronografischen Messungen und aerosolbasierten Ableitungen der Helligkeit des Sonnenumkreises am Mauna Loa und ermöglicht so eine erweiterte Analyse der Tageshimmelqualität für die Sonnenkorona-Beobachtung über mehrere Jahrzehnte.
Das Paper stellt CarbonBench vor, den ersten globalen Benchmark für das Zero-Shot-Learning zur Hochskalierung von Kohlenstoffflüssen, der über 1,3 Millionen Beobachtungen von 567 Messstellen nutzt, um die Generalisierungsfähigkeit von Modellen auf nicht trainierte Ökosysteme und Klimazonen systematisch zu evaluieren.
Die Studie stellt TAM-RL vor, ein Framework, das durch die Kombination von räumlich-zeitlichem Repräsentationslernen mit physikalisch fundierten Constraints die Genauigkeit und Übertragbarkeit von hochskalierten terrestrischen Kohlenstoffflüssen im Vergleich zu bestehenden Methoden signifikant verbessert.
Diese Studie nutzt einen seltenen Ereignis-Algorithmus, um zu zeigen, dass extrem persistente Doppeljet-Strömungen über Eurasien mit einem spezifischen Muster aus drei Hitzewellen-Zentren, einer positiven Nordatlantischen Oszillation und einer Wellen-3-Anomalie einhergehen, wobei die Wahrscheinlichkeit des gleichzeitigen Auftretens dieser Hitzewellen mit der Dauer des Doppeljet-Zustands zunimmt.
Diese Studie nutzt einen globalen Analyseansatz der kinetischen Energie von Wasserdampf (VKE), um zu zeigen, dass die Intensivierung von atmosphärischen Flüssen primär durch die Umwandlung von potentieller in kinetische Energie erfolgt, während ihr Zerfall durch Kondensation und turbulente Dissipation sowie ihre Ausbreitung durch die Konvergenz und Divergenz von VKE gesteuert wird.
Diese Studie zeigt, dass durch die Crowdsourcing-Initiative eines Kaggle-Wettbewerbs entwickelte hybride Physik-ML-Parameterisierungen in einem interaktiven Klimamodell nicht nur eine bisher unerreichte Online-Stabilität erreichen, sondern auch State-of-the-Art-Ergebnisse für globale Klimaprojektionen liefern.
Dieser Beitrag stellt ein physikbasiertes Diffusionsmodell vor, das mittels der Context-UNet-Architektur und atmosphärischer Konditionierung synthetische, physikalisch konsistente Satellitenbilder extremer Wetterereignisse generiert, um das Problem des Datenmangels bei seltenen tropischen Wirbelstürmen zu lösen und maschinelles Lernen für deren Erkennung zu verbessern.
Eine randomisierte kontrollierte Studie zeigt, dass eine skalierbare, disponentengesteuerte Kontrilvermeidung in den regulären Flugplanungsabläufen die Kontrilbildung signifikant um 11,6 % (Intention-to-Treat) bzw. bis zu 62,0 % (Per-Protocol) reduziert, ohne dabei den Kraftstoffverbrauch zu erhöhen.
Die Studie nutzt Bayes'sche Inferenz und generalisierte Extremwert-Regression, um auf Basis von CMIP6-Modellen vorherzusagen, dass die 100-jährigen Rückkehrwerte für extreme Hitze und Kälte in den Wüstenregionen der Erde über das nächste Jahrhundert mit zunehmender Klimabelastung signifikant ansteigen werden.
Die Studie nutzt bayessche kausale Inferenz auf Satellitendaten, um nachzuweisen, dass die massive Expansion der Nickelverarbeitung im indonesischen Morowali-Industriepark zu einer signifikanten Verschlechterung der Küstentrübung und damit zu einer Bedrohung für marine Ökosysteme geführt hat.
Diese Studie zeigt, dass maschinelles Lernen zur Parametrisierung von vertikalen Flüssen durch ungelöste mesoskalige Prozesse in den mittleren Breiten erfolgreich eingesetzt werden kann, wobei für eine gute Vorhersageleistung nicht-lokale Informationen über Temperatur, Feuchtigkeit und meridionale Winde entscheidend sind.
Die Studie zeigt, dass sich der Trend zu stärkeren tropischen Wirbelstürmen in den Daten bis 2023 als genuine Zunahme der Intensität bestätigt, da er nun nicht nur auf weniger schwache, sondern auch auf mehr starke Stürme zurückzuführen ist.
Die Studie zeigt anhand von idealisierten Simulationen, dass Verschiebungen, Breitenänderungen und vertikale Ausdehnungen des Jetstreams die Intensivierung von Zyklonen, deren Verschmelzung sowie die Bildung persistenter Antizyklone und damit verbundene Wetterextreme maßgeblich steuern.
Diese Studie stellt ein entscheidungstheoretisches Framework vor, das KI-Wettervorhersagen mit einem statistischen Modell für sich wandelnde Bauernerwartungen kombiniert, um personalisierte, probabilistische Monsunprognosen zu erstellen, die 2025 erfolgreich 38 Millionen indischen Landwirten halfen, ihre Anbauentscheidungen zu optimieren.
Diese Studie kombiniert Feldmessungen und WRF-Modellsimulationen, um die nächtlichen Abflusswinde im Bolzaner Talkessel zu untersuchen, wobei sich zeigt, dass die Strömungsstruktur am Talende unabhängig vom PBL-Schema gut erfasst wird, die korrekte Darstellung der Temperaturschichtung im Becken jedoch entscheidend für die Vorhersage des Windbeginns und -verlaufs ist.
Die Studie identifiziert einen dynamischen Übergang von der konventionellen Ekman-Grenzschicht zu einer advektiven Grenzschicht während des Monsunbeginns, der durch eine Verschiebung des Impulsgleichgewichts hin zur meridionalen Advektion gekennzeichnet ist und deren Skalierung sowie Auswirkungen durch theoretische Modelle und aquaplanetare Experimente validiert werden.
Die vorgestellte Arbeit führt datengesteuerte Integrationskerne ein, die das Lernen nichtlokaler Operatoren durch die Trennung der nichtlokalen Informationsaggregation von der lokalen nichtlinearen Vorhersage strukturieren, wodurch die Interpretierbarkeit erhöht und die Anzahl der trainierbaren Parameter bei gleichbleibender Vorhersagegüte für den südasiatischen Monsun drastisch reduziert wird.
Diese Studie nutzt ein Klimamodell mittlerer Komplexität, um zu zeigen, dass der Atlantische Meridionale Umwälzstrom (AMOC) unter steigenden CO₂-Konzentrationen durch eine Grenzkrise destabilisiert wird, wobei chaotische Randzustände („Edge States") und langanhaltende Transienten die beobachtete große Varianz in Ensemble-Projektionen und scheinbare stochastische Bifurkationen erklären.
Diese Arbeit stellt ein verbessertes mechanistisches Modell vor, das die Drift von Meereis berücksichtigt, um die beobachteten nicht-exponentiellen Abklingprofile von Wellenenergie in der Antarktis zu erklären.
Das Paper stellt DAISI vor, einen skalierbaren Filteralgorithmus auf Basis von stochastischen Interpolanten und generativen Modellen, der durch einen inversen Sampling-Schritt und beobachtungsgeleitete Bedingung eine präzise Datenassimilation in hochdimensionalen, nichtlinearen Systemen ermöglicht, ohne dass das generative Prior-Modell bei jedem Schritt neu trainiert werden muss.