人工智慧對地球環境科學的推進

譯者：沿邊殺手居的小蛇
原文：https://www.sciencedaily.com/releases/2019/02/190214115551.htm

(圖解：氣候引發的二氧化碳變化：這些不同的顏色表現了在厄爾尼諾現象發生的年份二氧化碳的異常變化。數據來自於通量觀測網(FLUXNET)並經過人工智慧優化。其中紅色為輻射異常，綠色為溫度異常，藍色為水質異常。)

一項德國耶拿^[1]和漢堡^[2]科學家在《自然》雜誌發起的研究表明，人工智慧可以有效地推進我們對於地球氣候系統的理解。特別是在當前深度學習的潛力還未被完全開發的情況下。在人工智慧的幫助下一些複雜的動態環境，如颶風，森林火災，植被生長能夠被更好的研究和解釋。作為結果，在使用人工智慧的情況下地球氣候系統模型會得到進一步的提升，再與物理模型相結合。

在過去數十年里大部分統計資料的處理是通過機器學習，例如本地與全球的土壤性質與分布。而近段時間，通過使用更複雜的深度學習技術，我們可以更加動態的處理這些數據。例如，這允許我們在考慮季節和短期變化的情況下，量化全球陸地上的光合作用。

從數據到規律

Markus Reichstein說「大量的感測器已經幫我們接收到了大量的地球環境系統數據，但到目前為止，我們在分析和解釋數據方面一直有所欠缺」。生物地球化學研究所的常務董事同樣也是該書的第一作者，Max Planck說 」這使得深度學習技術成為一種具有巨大潛力的的工具，超越了傳統的機器學習應用，如圖像識別、自然語言處理或 alphago下棋機器人「。

來自弗里德里希席勒大學(FSU)計算機視覺小組的合著者Joachim Denzler和MSCJ(Michael-Stifel-Center Jena)的成員補充說在極端事件下，分析這些問題的過程非常複雜，不光受當地條件的影響，也受其時空背景的影響，如火災蔓延或颶風。這也適用於大氣和海洋運輸、地質活動和植被動力學等一些地球系統科學的經典課題。

人工智慧改善氣候和地球系統模型

然而深度學習的方法是非常困難的，在數據質量參差不齊的情況下，所有依靠數據和統計驅動的分析方法很難保證自身的一致性，並且有可能遇到推廣方面的困難。此外，該方法對於數據處理和存儲容量也有很高的要求。本文討論了所有這些技術障礙並且並制定了一個策略可以將機器學習與物理建模有效的相結合。

當這兩種技術結合在一起，我們就創建了所謂的混合模型。它們可以通過模擬海水的運動來預測海面溫度。當對溫度進行物理模擬時，海水的運動由機器學習方法表示。Markus Reichstei 說」這個新型模型融合了兩個模型中的優點，即物理模型的一致性和機器學習的多功能性".

科學家們認為，對極端事件的探測和預警，以及對天氣和氣候的季節性和長期預測和預測，都將從所討論的深度學習和混合建模方法中獲益匪淺。

文章來源：弗里德里希席勒大學(FSU)提供的材料
周刊引用：Markus Reichstein, Gustau Camps-Valls, Bjorn Stevens, Martin Jung, Joachim Denzler, Nuno Carvalhais, Prabhat. Deep learning and process understanding for data-driven Earth system science. Nature, 2019; 566 (7743): 195 DOI: 10.1038/s41586-019-0912-1

譯者註：[1]、[2]為德國地名

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！