一项关键建议：将两种方法合并到自学“神经地球系统中建模
“”地球作为一个系统 - 地球的挑战是地球的发展是许多因素的复杂相互作用，包括植物群和动物群，与其生态系统的海洋，极地地区，大气，气氛碳循环和其他生物贺循环和辐射过程研究人员因此谈论地球系统
以如此多的互连的领域和影响因素，这是一个巨大的挑战，以预测未来的情景，适用于例如，在气候变化研究的背景下
近年来在这里取得了巨大进展，“克里斯托弗·伊康（克里斯托弗·伊康）（博士后的博士后研究人员）在”地球系统建模“一节中例如，GFZ
例如，近期公布的IPCC的第六次评估报告总结了我们目前对各种温室气体排放情景的未来影响的知识，比以往任何时候都更详细地进行了比以往任何时候都在报告依赖，一方面，越来越全面和详细的发现来自地球系统的观测和测量来评估过去的变暖及其影响，例如以增加极端事件的形式，另一方面，在与最先进的地球系统进行的大量模拟模型（ESMS）
经典地球系统与主要的分配地球系统模型建模是基于良好和较小的物理规律
在数学和数值方法的帮助下，的状态从现在或过去时间的系统状态所知的未来的一个系统
近几十年的潜在模型在近几十年中持续改进：地球系统的前所未有的子系统和过程被考虑在内，包括 - 在某种程度上例如，由于数据收集开始以来，它们可以准确地追踪它们的性能，以便他们可以准确地追踪它们的效果，以便他们可以准确地追踪自动化的开始以来，他们可以准确地追踪全球平均温度的发展
，还可以得出关于气候变化对区域一级的影响的结论
限制，价格是越来越复杂的ESMS需要巨大的计算资源尽管这一发展，甚至最新型号的预测包含不确定性[1例如，它们倾向于低估极端事件的强度和频率
研究人员担心在地球的某些子系统中可能发生突然的变化，在气候系统中所谓的划线元素，这经典建模方法无法准确预测
和许多关键过程，例如土地使用类型或水和营养的可用性，不能（尚未）良好
机器学习方法正在进行中进入古典ESM方法的挑战，也是不断增加的可用地球观测量，开辟了使用人工智能的领域
这包括例如机器学习（ml）诸如神经的方法网络，随机森林或支持向量MachiNES
他们的优点是它们是自学习系统，不需要了解可能非常复杂或甚至不完全已知的物理法律和关系
，而是培训用于特定任务的大数据集并学习底层系统本身
这种灵活和强大的概念可以扩展到几乎任何所需的复杂性
，例如，可以训练神经网络以识别和分类卫星图像中的模式，例如云结构，海洋漩涡或作物质量
或者学会基于先前的记录，模型和物理平衡方程进行天气预报
“虽然第一次研究表明该机器学习概念可用于已在E中的图像分析1990年代，地球和气候科学的AI的“寒武纪爆炸”只有大约五年，“Irrgang注意
尤其是因为测量和模型数据的池正在日报和更多和更多有更多即用的ML图书馆可获得了
可以信任人工智能的结果吗？然而，这种自学方法实际上可以扩展甚至取代经典建模方法的程度仍有待观察
因为机器学习也有陷阱：“今天的许多人的气候科学版的应用程序是在简化环境中工作的概念研究
进一步的研究将如何讲述如何这很适合运营和可靠的使用，“Irrgang总结
Anot她的决定性方面：如在黑色盒子中，输入和输出都是已知的，但是为了获得知识的过程，而不是
这导致验证物理一致性的结果，即使它们看起来很合理，这导致了验证的结果“解释性和解释性是在未来需要改进的机器学习背景下的重要问题，以加强方法
特别是当预测结果是一个重要的基础时对于政治决定，案例是气候研究的情况，“强调研究的作者
一种新的和快速发展的第三种方式：ESM和AIIN本出版物的混合动力，数学家周围的团队提出了第三名方式：两种方法的融合以上载入“神经地球系统建模
”以这种方式，可以组合各自的强度，并且它们的极限延长了
已经采取了该路径的第一个有希望的步骤
例如，ML不再仅用于纯数据分析，而且还要接管或加速经典ESMS框架内的某些过程步骤这将释放可能流入的计算能力进一步的模型改进
在未来，新颖的界面可以建立两种方法之间的信息动态交流，使得它们彼此不断改进
这种基于古典过程的地球和气候的深度延伸研究将神经地球系统建模升至新的和快速新兴的RE搜索分支
在其核心的核心是混合系统，可以测试，正确，提高其物理一致性，从而允许对地球物理和气候相关过程的更准确预测目前， Irrgang和他的同事得出结论，AI和混合方法仍然含有高风险和陷阱，而且很清楚，周围的当前炒作围绕着人工智能的使用 - 至少在自己的地球和气候的开放问题上然而，研究
在任何情况下，值得追求这条道路
这是为了实现这种情况，但另一方面，气候和地球研究之间的密切合作关系将变得越来越重要
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
