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(fā)的二氧化碳變化：這些不同的顏色表現(xiàn)了在厄爾尼諾現(xiàn)象發(fā)生的年份二氧化碳的異常變化。數(shù)據(jù)來自于通量觀測(cè)網(wǎng)(FLUXNET)并經(jīng)過人工智能優(yōu)化。其中紅色為輻射異常，綠色為溫度異常，藍(lán)色為水質(zhì)異常。)
一項(xiàng)德國耶拿[1]和漢堡[2]科學(xué)家在《自然》雜志發(fā)起的研究表明，人工智能可以有效地推進(jìn)我們對(duì)于地球氣候系統(tǒng)的理解。特別是在當(dāng)前深度學(xué)習(xí)的潛力還未被完全開發(fā)的情況下。在人工智能的幫助下一些復(fù)雜的動(dòng)態(tài)環(huán)境，如颶風(fēng)，森林火災(zāi)，植被生長能夠被更好的研究和解釋。作為結(jié)果，在使用人工智能的情況下地球氣候系統(tǒng)模型會(huì)得到進(jìn)一步的提升，再與物理模型相結(jié)合。
在過去數(shù)十年里大部分統(tǒng)計(jì)資料的處理是通過機(jī)器學(xué)習(xí)，例如本地與全球的土壤性質(zhì)與分布。而近段時(shí)間，通過使用更復(fù)雜的深度學(xué)習(xí)技術(shù)，我們可以更加動(dòng)態(tài)的處理這些數(shù)據(jù)。例如，這允許我們?cè)诳紤]季節(jié)和短期變化的情況下，量化全球陸地上的光合作用。
從數(shù)據(jù)到規(guī)律
Markus Reichstein說“大量的傳感器已經(jīng)幫我們接收到了大量的地球環(huán)境系統(tǒng)數(shù)據(jù)，但到目前為止，我們?cè)诜治龊徒忉寯?shù)據(jù)方面一直有所欠缺”。生物地球化學(xué)研究所的常務(wù)董事同樣也是該書的第一作者，Max Planck說 ”這使得深度學(xué)習(xí)技術(shù)成為一種具有巨大潛力的的工具，超越了傳統(tǒng)的機(jī)器學(xué)習(xí)應(yīng)用，如圖像識(shí)別、自然語言處理或 alphago下棋機(jī)器人“。
來自弗里德里希席勒大學(xué)(FSU)計(jì)算機(jī)視覺小組的合著者Joachim Denzler和MSCJ(Michael-Stifel-Center Jena)的成員補(bǔ)充說在極端事件下，分析這些問題的過程非常復(fù)雜，不光受當(dāng)?shù)貤l件的影響，也受其時(shí)空背景的影響，如火災(zāi)蔓延或颶風(fēng)。這也適用于大氣和海洋運(yùn)輸、地質(zhì)活動(dòng)和植被動(dòng)力學(xué)等一些地球系統(tǒng)科學(xué)的經(jīng)典課題。
人工智能改善氣候和地球系統(tǒng)模型
然而深度學(xué)習(xí)的方法是非常困難的，在數(shù)據(jù)質(zhì)量參差不齊的情況下，所有依靠數(shù)據(jù)和統(tǒng)計(jì)驅(qū)動(dòng)的分析方法很難保證自身的一致性，并且有可能遇到推廣方面的困難。此外，該方法對(duì)于數(shù)據(jù)處理和存儲(chǔ)容量也有很高的要求。本文討論了所有這些技術(shù)障礙并且并制定了一個(gè)策略可以將機(jī)器學(xué)習(xí)與物理建模有效的相結(jié)合。
當(dāng)這兩種技術(shù)結(jié)合在一起，我們就創(chuàng)建了所謂的混合模型。它們可以通過模擬海水的運(yùn)動(dòng)來預(yù)測(cè)海面溫度。當(dāng)對(duì)溫度進(jìn)行物理模擬時(shí)，海水的運(yùn)動(dòng)由機(jī)器學(xué)習(xí)方法表示。Markus Reichstei 說”這個(gè)新型模型融合了兩個(gè)模型中的優(yōu)點(diǎn)，即物理模型的一致性和機(jī)器學(xué)習(xí)的多功能性".
科學(xué)家們認(rèn)為，對(duì)極端事件的探測(cè)和預(yù)警，以及對(duì)天氣和氣候的季節(jié)性和長期預(yù)測(cè)和預(yù)測(cè)，都將從所討論的深度學(xué)習(xí)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(xué)(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
譯者注：[1]、[2]為德國地名
（免責(zé)聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準(zhǔn)確性及可靠性，但不保證有關(guān)資料的準(zhǔn)確性及可靠性，讀者在使用前請(qǐng)進(jìn)一步核實(shí)，并對(duì)任何自主決定的行為負(fù)責(zé)。本網(wǎng)站對(duì)有關(guān)資料所引致的錯(cuò)誤、不確或遺漏，概不負(fù)任何法律責(zé)任。
任何單位或個(gè)人認(rèn)為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識(shí)產(chǎn)權(quán)或存在不實(shí)內(nèi)容時(shí)，應(yīng)及時(shí)向本網(wǎng)站提出書面權(quán)利通知或不實(shí)情況說明，并提供身份證明、權(quán)屬證明及詳細(xì)侵權(quán)或不實(shí)情況證明。本網(wǎng)站在收到上述法律文件后，將會(huì)依法盡快聯(lián)系相關(guān)文章源頭核實(shí)，溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。 ）
