船舶海洋

强化学习驱动的班轮航运网络设计：基于分解优化框架

强化学习班轮航运组合优化网络设计文章提出新型强化学习框架解决班轮航运网络设计问题（LSNDP）。通过分解为网络设计（NDP）和多商品流（MCF）子问题，构建马尔可夫决策过程：策略网络生成航运服务，奖励函数基于启发式MCF求解器计算利润变化。在LINERLIB基准测试中，编码器-解码器模型以0.29秒推理时间（较传统方法加速1000倍）实现最高利润276,428美元（Baltic实例），对需求扰动±50%保持78,215美元平均利润，验证了方法的实时性与鲁棒性。

GenAI in Ship Design: Gaussian Mixture Model Optimization

Generative AI Ship Design Gaussian Mixture Model Hydrodynamics 文章探讨了生成式AI在船舶设计中的应用，聚焦船体形式优化。传统方法依赖人工迭代，成本高且耗时，而生成式AI利用机器学习算法（如高斯混合模型）从大型数据集中学习模式，生成新颖设计。研究采用SHIP-D数据集（含30,000个参数化船体），通过聚类和降维预处理数据，训练GMM生成创新船体。生成设计经Michell积分计算阻力并优化，验证了该方法在效率和多学科优化上的优势。

DASNordicSLR: 北欧海平面区域化预测

海平面上升气候变化德国海岸垂直陆地运动 IPCC AR6 文章介绍了DASNordicSLR数据集，该数据集通过结合IPCC AR6全球海平面上升预测和北欧地区高分辨率陆地高程模型（NKG2016LU），为北海和波罗的海海岸提供了优化的区域海平面上升预测。研究重点解决了垂直陆地运动（VLM）对区域海平面变化的显著影响，特别是在冰川均衡调整（GIA）作用显著的北欧地区。数据集覆盖了从2020年至2150年的十年间隔预测，包含五种SSP情景下的107个分位数数据，空间范围为北纬49°至75°和东经0°至50°。该研究为德国联邦交通部下属的气候与水资源核心服务提供了重要支持，数据已通过BSH公开发布。

RainfallNetworks: 极端降雨同步网络与气候变率

极端降雨气候变率网络分析 ENSO 印度夏季风文章基于50个EC Earth3初始条件集合模拟，研究了内部气候变率（ICV）对极端降雨事件时空同步性的影响。研究发现，尽管初始条件的微小差异会导致区域降雨强度和频率显著不同，但由大气过程（如罗斯贝波传播）驱动的极端降雨空间同步网络表现出惊人的鲁棒性。相比之下，海洋驱动的遥相关（如ENSO与印度夏季风的耦合）在初始条件扰动下表现出明显的脆弱性。研究通过事件同步性分析和因果推断方法，揭示了大气与海洋过程在气候变率中的不对称性，为多部门气候风险评估提供了新的科学依据。