随着顽固天气情况事件的增加，在他们日益暖化的地理自然环境中，精确的预估对他们其他人来说都变得越来越重要，从农民到农村居民，再到全世界的企业。迄今，地理自然环境数学模型未能精确预估结冰期，特别是顽固情况。虽然在自然现象中，平均气温可能大不相同，有许多顽固的平均气温，但地理自然环境数学模型预估准确度明显不足。
当前演算法中缺位的部分：云组织机构
科学研究人员始终在努力合作开发提高预估精确性的演算法，但正像智利工程大学地理自然环境科学家报告的那样，现代的地理自然环境模型模块王劝缺乏一条重要信息——这是一类描述云内部结构和组织机构的方式，其体量太少，难以在所采用的计算分层上捕捉。那些组织机构量测负面影响结冰期及其乱数性的预估，即结冰期乱数波动的可变性。到为止，还没有一类有效、精确的方式来量测云内部结构并定量其负面影响。
由人工智慧与物理自学火星中心（LEAP）主任Pierre Gentine领导的一个项目组的一项新科学研究，借助全球龙卷风导出演示和机器自学建立了一类演算法，能分别处理两种不同体量的云组织机构：一类是由地理自然环境数学模型导出的，另一类是虽然太少而难以导出的。这种新方式解决了现代地理自然环境数学模型模块王劝缺位的重要信息，并提供更多了一类更精确地预估结冰期和可变性的方式。
“他们的辨认出特别令人激动，因为多年来，物理学界始终在争辩是否将云组织机构列入地理自然环境数学模型，”火星与自然环境工程学院和火星自然环境工程学系火星物理学教授、数据科学科学研究所成员Gentine、Maurice Ewing和J.Lamar Worzel说。“他们的工作为这场辩论会提供更多了答案，也为列入组织机构提供更多了捷伊软件系统，表明列入那些重要信息能明显明显改善他们对结冰期和可变性的预估。”
借助人工智慧设计数学模型演算法
与Gentine合作的科学研究生Sarah Shamekh开发了一类数学模型演算法，该演算法能自学精巧孔径云组织机构（未解决孔径）对降雨作用的有关重要信息。虽然Shamekh没有事先表述测度或式子，该数学模型本身就帕尔霍自学了如何量测云的涌进，这是一类组织机构测度，然后采用这个测度来改进降雨的预估。Shamekh在高清晰度相对湿度球场上训练演算法，对小体量组织机构的程度进行代码。
Shamekh说：“他们辨认出，他们的组织机构指标几乎完全解释了降雨变化，能取代地理自然环境数学模型中的乱数模块化。包括那些重要信息明显明显改善了与地理自然环境数学模型有关的平均气温预估，精确预估了顽固平均气温和空间可变性。”
机器自学演算法将明显改善未来预估
科学研究人员现在正在地理自然环境数学模型中采用他们的机器自学方式，该方式隐式自学子分层云组织机构测度。这将大大改进对结冰期和可变性的预估，包括顽固降雨事件，并使科学家能够更好地预估地理自然环境暖化时水循环和顽固天气情况模式的未来变化。
未来工作
这项科学研究还为调查开辟了捷伊途径，例如探索降雨创造记忆的可能性，在这种记忆中，大气保留了有关最近天气情况条件的重要信息，这反过来又负面影响了地理自然环境系统中后来的大气条件。这种新方式可能有广泛的应用，不仅仅是降雨建模，包括更好地演示冰盖和海洋表面。
