区域空气质量预报长期依赖在线耦合的数值化学天气模式，其技巧受气象初值、排放清单和侧边界条件牵制。CWAI把气象、颗粒物与反应性气体当作一个联合大气状态，用连续两个时刻的状态、排放和地表描述符驱动分层Swin Transformer，递归40个6小时步长得到10天预报。在2020年1月和7月共62个起报的WRF-Chem对照中，CWAI对六种地面污染物的初始化加权RMSE全部更低，降幅从PM2.5的15.8%到NO2的25.8%。
遥感变化检测通常依赖大量跨时相、像素级标注，跨区域和跨平台难以扩展。SpotDiff把DINOv3语义特征、AnyUp像素级特征重建与SAM 3文本引导区域提议组合成免训练流程，只在提议区域内比较两期重建特征的余弦相似度。在LEVIR-CD上，ViT-7B版本达到82.46 F1，比此前最强的免训练方法高2.06个点；SECOND上建筑变化IoU提升10.3。
MIT研究团队提出一种训练数据优化方法，让气候模拟器只用精心挑选的合成情景训练，就能预测训练中未见过的新情景，而传统模拟器在新情景上无法适应。该方法把生成训练数据所需的全尺度地球系统模型运行次数从六到八次降到一次，从而缩短这类快速代理模型的制作周期。研究还显示，用该方法训练的模拟器能刻画局部污染物控制的效果，即一种污染物下降而其他排放继续上升的情景。
低层云的三维内部结构长期缺少大范围观测，物理断层反演要反复做三维辐射传输计算，代价高到难以处理大规模真实云场。HybridCT把反演拆成两步：先用U-Net从多角度被动辐射亮度估计云光学厚度投影，再用SART代数重建显式解出三维消光场。在合成低层云场景上，它重建消光的RMSE为13.3 km⁻¹、耗时3.5秒，物理基线AT3D为22.7 km⁻¹、约30分钟。
标准神经过程把输入当作无噪声观测，传感器测量误差会让预测和不确定性估计同时失真。DnNP在神经过程框架内把干净输入设为隐变量，用变分推断让一个去噪器与元学习联合训练，从而在含噪输入上直接给出预测。在马萨诸塞州布鲁克莱恩34个空气质量传感器采集的PM2.5空间插值数据上，相对标准神经过程，DnNP的RMSE最多降低30%、NLL最多降低73%。
质量守恒约束此前只嵌在集总式LSTM里，只能给出流域平均的时间序列，难以检验内部状态是否具有水文意义。PECAN把这一约束改为卷积LSTM的分布式形式，并分严格以降水为唯一水源的PECANMC与允许额外水源的PECANMCR两个变体，仅用两个水文站的实测流量训练。在科罗拉多North Platte源头流域，两变体出口流量精度与集总深度学习基线及分布式过程模型VIC相当，还能给出空间显式的内部状态；但诊断显示模型把冬季雪水储量过早移出系统，而非留到春季释放。
火星大气长期由再分析产品描述，而再分析把探测器反演同化进环流模式，观测稀疏处的结果主要反映模式本身。MarsNet把两小时预报与逐窗观测更新放进同一套固定物理结构里联合训练，不使用任何再分析或模式场作为输入或目标。在未被任何数据集同化的MGS掩星温度上，其最低三个标高与三种再分析相当或更好，近地面均方根误差为4.2 K，而三种再分析为4.4–5.4 K，但在更高处精度较低。
因果发现不再只靠条件独立性检验或单一最优模型打分。causalBMS把每个候选父变量在贝叶斯符号回归后验采样表达式中的出现频率当作因果分数，从而在双变量、强自相关和高噪声场景下仍能给出方向判断。在CauseMe基准的21组数据集-指标组合中，它有13组排名第一，另有4组第二，并同时返回闭式函数形式。
台阵处理长期把传感器之间的相干性丢失当作干扰，常规波束形成还假定远场点源、噪声在传感器间不相干。Topophone2 把台阵协方差建模为慢度上能量分布的混合，用带解析特征函数的偏正态与角谐波分布描述信号和环境噪声，再以变分贝叶斯推断求后验。合成深海 T 相上，加入第四个水听器使角谐波噪声系数的信息增益提高 142%，而信号参数与信噪比的信息增益提高不到 8%。
地球系统AI模型逼近公里级分辨率时，网格间距减半会让格点数翻四倍，端到端训练成本随之上升。One2N把分辨率细化拆成逐级增量：每一级冻结上一级完整预报器，只训练一个跨分辨率残差修正模块，父模型的激活与优化器状态都不再保留。以NeuralGCM-0.7°为基线加一级细化得到One2N-0.07°，在单张80GB A800 GPU上训练约四周，对HRES-0.07°分析保持父模型的对流层技巧，同时降低平流层上部误差并刻画更细结构。