本周阅读了一篇文献，该文基于长时间尺度气候数据，结合统计分析与机器学习方法，对全球变暖及其影响因素进行了系统研究。通过构建线性回归、Lasso、支持向量回归及随机森林模型，对温度变化进行预测，并比较不同模型性能。结果表明，随机森林模型具有最优预测效果，同时特征重要性分析显示CO₂是影响温度变化的主要因素，CH₄和N₂O亦具有一定作用。研究从数据驱动角度验证了温室气体对全球变暖的显著影响。

本文针对长预见期下降水预报精度衰减及强降水识别能力不足的问题，提出了融合LSTM与注意力机制的多模式降水预报框架。以雅砻江流域为研究区，系统比较多种数值模式与融合方法，并将融合降水进一步用于新安江模型径流预报验证。结果表明，所提出的LSTM-A结构在1–7天预见期内表现最优，能够同时提升降水预报精度和水文应用效果。

本周主要围绕经典逻辑门与量子计算基础展开学习。在经典计算部分，理解了与、或、非等基本逻辑门的运算规则及其组合方式；在量子计算方面，重点掌握了可逆计算与逆运算的概念，认识到量子门必须是可逆的这一核心特性。同时，通过Bloch球模型直观理解单量子比特的状态表示及其在量子演化中的变化过程，并学习了常见的单量子比特门及其作用机理。总体来看，本周的学习加深了对从经典计算到量子计算范式转变的理解，尤其是可逆性

本文系统综述了深度学习在空气污染预测中的研究进展，重点分析其在短期预测中的优势及在极端事件、泛化能力、可解释性和不确定性刻画方面的不足。论文总结了多源数据融合、物理约束建模和生成式方法等研究方向，并提出将深度学习与地球系统模型相结合，作为提升空气污染预测可靠性和决策价值的未来发展路径。文献阅读：《Deep learning for air pollutant forecasting: opport