本頁只刊出中文翻譯與中文說明；英文原文請見下方原文連結。
原文連結
論文資訊
- 類型：工作論文
- 編號：工作論文 #6
- 日期：2026-03-18
摘要
摘要：鑑於觀測和數值氣候資料的產生速度越來越快，日益複雜和自動化的分析技術變得至關重要。深度學習正在迅速成為此類分析的標準方法，雖然取得了巨大進展，但仍存在重大挑戰。與深度學習驚人成功的商業應用不同，科學數據高度複雜且通常未標記。此外，可解釋性和檢測新機制是科學發現的關鍵。為了增強發現，我們提出了一種基於物理的補充、數據驅動的方法，該方法利用局部動力學（例如水動力流）生成的時空數據集的因果性質。我們說明瞭如何在元胞自動機中發現新穎的模式和連貫結構，並概述了從它們到氣候資料的路徑。