论文1：Deep Neural Network-Based Earth System Forecasting Model Employing Non-Independent and Non-Identically Distributed Samples
地球系统中的采样对满足独立和同分布样本的假设提出了挑战。然而，现有的深度神经网络预测模型没有充分解决这个问题，影响了模型的泛化和稳定性。为了解决这个问题，本文在经典的深度神经网络预测框架中引入了非独立样本偏差消除模块和非同一分布原型建模模块。通过对中国海域海面温度和海面高度的预测实验，验证了所提出方法的有效性。
论文2：A k-shot Sampling Based Decentralized Learning Framework for Spatiotemporal Correlated Ocean Data with Asynchronous Communication
海洋数据具有庞大的体积、分布式的来源和时空相关性，这给分布式信息协作带来了困难。为了解决这个问题，我们提出了一种分散式学习框架，该框架由基于k-shot数据采样的空间相关性建模方案和用于分散式网络建立和信息交换的异步通信方案组成。所提出的框架可以处理稀疏通信场景，并提高局部学习模型的性能。
论文3：Context Constraints-Guided Reconstruction Robust Network for Cloud-Induced Extensive Missing Area in Sea Surface Temperature
海面温度（SST）是一个广泛应用于海洋相关领域的关键指标，在卫星观测中经常通过广泛的云层覆盖来观测，导致数据差距很大。虽然深度学习方法提供了使用大量历史数据重建SST图像的解决方案，但目前的大多数方法忽略了海洋学数据中固有的上下文约束，如序列相关性和全局一致性。由于存在广泛的数据差距，这种监督导致了不稳健的完成结果。本文提出了一种由序列相关性和全局一致性指导的鲁棒SST重建网络，旨在处理大规模云层覆盖下SST中广泛缺失数据恢复的任务，即CCG_RRN。广泛的比较实验和可视化结果证实了CCG_RRN与公共NSOAS SST数据集上的最新技术（SOTA）方法相比的有效性和鲁棒性。
