作为罗素大学集团成员，英国布里斯托大学（University of Bristol）在2024年QS世界大学排名中位列第55位。其School of Geographical Sciences拥有世界领先的学术水平，曾成功开发夜眼仪器等地理勘探技术设备。在气候科学与跨学科研究领域，该校积累深厚，且与英国气象局（Met Office）长期保持合作，能为相关研究提供充足的实践支持和资源保障。
一、项目简介
此博士项目以气候变化背景下的极端天气事件为研究核心。
IPCC第六次评估报告明确指出，人类活动已使全球极端高温、降水等事件的频率和强度大幅上升，而传统气候模型不仅计算成本高昂，在极端事件模拟方面也存在局限。
项目正是要通过机器学习（ML）技术弥补这一不足，研发更精准的极端天气风险研究方法。研究将由气候科学与机器学习跨学科团队指导，并获得Met Office“AI4Climate”团队的CASE支持。
二、工作内容
- 对比ML天气模型与传统数值模型在极端降水、高温等场景的性能，评估前者模拟极端事件的真实性；
- 参考Aurora等地球系统基础模型的不确定性量化经验，构建适用于极端天气模拟的模型可信度验证方法；
- 基于模型输出分析极端天气形成机制，尤其关注酷热干旱、风暴潮等复合极端事件的演变规律与未来趋势；
- 与导师协作确定研究方向，针对特定极端天气现象（如热带气旋、区域洪涝）选择合适的ML技术（如深度学习、强化学习）开展研究。
三、福利待遇
该博士岗位为全额资助项目，涵盖学费与生活津贴。学生不仅能接受跨学科团队提供的state-of-the-art方法培训，还可访问Met Office总部，与“AI4Climate”团队合作推动研究成果向社会应用转化，从而提升学术实践能力与政策关联度。
四、申请建议
- 提交物理科学、数学或相关学科的学术成绩单及课程项目案例，以凸显自身定量分析能力；
- 附上Python或Matlab项目代码（如数据处理、统计分析脚本）展示编程技能，若有Unix-like系统使用经验需重点说明；
- 在个人陈述中阐述对线性回归等方法的理解与应用经历，强调统计建模基础；
- 提前研读项目相关文献，在套磁信中简述对极端天气ML研究的初步构想，以此体现对跨学科研究的兴趣。
五、对该职位的理解和创新想法
该项目是衔接机器学习与气候应急研究的重要纽带，可以从以下角度展开思考：
- 如何融入大气物理机制以降低ML模型的“黑箱”特性，增强极端事件模拟的可解释性；
- 如何借鉴Aurora模型的高效计算架构，提高小尺度极端天气（如山洪）的预测精度；
- 如何设计针对复合极端事件的多变量联合预测方法。
申请者应在申请材料中结合自身学术背景提出具体技术路径设想，同时展现跨学科学习潜力与将研究成果应用于灾害风险防控的实践意识。
【竞赛报名/项目咨询+微信：mollywei007】
