ML与地球科学领域（一）

发布时间：2024年01月25日

GRL, WRR,?Earth’s Future和JGR Biogeosciences联合发起的特刊

Advancing Interpretable AI/ML Methods for Deeper Insights and Mechanistic Understanding in Earth Sciences: Beyond Predictive Capabilities，探索如何应用AI/ML方法来推进水文学，生物地球化学和地球系统科学的过程理解。特刊还鼓励关于将AI/ML技术与领域知识相结合的方法的协作开发的论文。

(a)定制和改进机器学习技术，以提高预测能力之外的可解释性。

(b)利用人工智能/机器学习开发基于过程的推理框架，以有限数据诊断和量化地球系统的功能。

(c)将机器学习与基于过程的模型相结合，开发从稀疏数据集构建降阶模型的新方法。

(d)将机器学习算法集成到改进的地球和环境系统逆向建模中。

(e)利用机器学习算法为机理模型和代理模型推导必要的水文和生物地球化学变量。

(f)通过数据驱动的方法研究水和其他物理/人类系统之间的联系

最近了解了一些深度学习在地球科学领域方面的应用，浅看了一些文献，在这里做一个简单的总结。

  • 几本杂志联合发起的特刊

  • 2019年《Deep learning and process understanding for data-driven Earth system science》：深度学习加深对大数据驱动的地球系统科学理解。文章提出预测：深度学习让我们对地球系统科学问题有更深层次的理解。作者举例如改善季节预报的预测效果和跨多个时间尺度的远程空间关联建模等。在未来的研究中，将物理过程模型与多用途的基于数据驱动的机器学习方法结合起来。
  • 神经网络的可解释性
  • 一些建议措施?
  • 机器学习在云和气候方面的应用

定期关注arxiv和GitHub上最新的进展，学习开源的代码并将其应用到地球科学的研究领域

能发顶刊！可解释神经网络识别卫星影像（附代码） (qq.com)

?

文章来源:https://blog.csdn.net/Darkangel666999/article/details/135732762
本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
最新文章