探索面向地球科学数据分析的人工智能共同议程
人工智能和地球观测技术的融合带来了前所未有的能力,特别是在环境监测、灾害响应和气候变化分析等全球性挑战中,人工智能对来自地球观测平台的数据分析具有重要影响。然而,快速整合人工智能需要仔细考虑其在这些领域中的应用所固有的责任维度。本文代表了在系统定义人工智能和地球观测交叉领域方面的开创性努力,重点关注负责任的人工智能实践。具体来说,我们从学术界和工业界的角度在地球观测领域确定了几个重要的方面:以社会公益为目标的人工智能和地球观测、减少不公平偏见、地球观测中的人工智能安全、地理隐私和隐私保护措施,以及基于道德原则指导人工智能使用。此外,本文还探讨了潜在的机遇和新兴趋势,为未来研究提供了有价值的见解。
May, 2024
GeoAI 是一个令人兴奋的新领域,借助人工智能、地理空间大数据和大规模计算能力来解决高度自动化和智能化的问题。该论文回顾了人工智能在社会科学研究中的进展,强调了使用 GeoAI 填补重要数据和知识空白的重要进展。论文还讨论了打破数据孤岛、加速 GeoAI 研究方法的融合以及将 GeoAI 推广到超越地理空间利益的重要性。
Dec, 2023
本文介绍了地球观测所面临的机器学习等技术对于从原始数据到可用信息转化的必要工具和方法,并探讨了这些发展的挑战及其影响,包括计算机视觉、机器学习、高级处理和计算、以知识为基础的人工智能、可解释的人工智能和因果推断、物理感知模型、以用户为中心的方法以及与大规模使用机器学习技术相关的伦理和社会问题的讨论。
May, 2023
地球科学进入大数据时代,人工智能不仅有可能解决地球科学问题,还在加速理解地球行为的复杂、交互和多尺度过程中起着关键作用。这项研究提出了一个可解释的地球科学人工智能 (XGeoS-AI) 框架,通过以计算机断层扫描 (CT) 影像识别为例展示了其有效性和多功能性。该框架受人类视觉机制的启发,从整个影像中生成一个阈值来完成识别。不同种类的人工智能方法,如支持向量回归 (SVR)、多层感知器 (MLP)、卷积神经网络 (CNN),可以被采用作为该框架的引擎,高效地完成地球科学影像识别任务。实验结果表明,该框架的有效性、多功能性和启发式具有解决地球科学影像识别问题的巨大潜力。在地球科学领域中需要更加重视可解释人工智能,这是促进人工智能在地球科学领域更加合理和广泛应用的关键。此外,这一提出的可解释框架可能是地球科学技术创新的先驱。
Nov, 2023
本报告总结了 Dagstuhl Seminar 22382“科学中的机器学习:桥接数据驱动和机理建模” 的讨论并提出了如何协作来推动人工智能和科学发现的新一波进展的路线图。
Mar, 2023
深度学习在遥感数据分析等领域取得了巨大进展,但由于神经网络在解释性上的缺陷,对其缺乏可解释性和可解读性仍然存在批评。为解决这一问题,用于遥感图像分析的可解释人工智能技术近来得到了广泛的研究。本章根据突出的地球观测应用领域进行组织,介绍了可解释遥感影像分析领域的最新发展。
Nov, 2023
本文介绍了应用 AI 和地球观测数据对可持续发展目标进行监测的方法,提出了一种基于 U-net 和 SE 块的卫星图像分割模型用于作物检测,同时提出了建立评估基础设施以实现更好实现 SDGs 的未来研究方向。
Jul, 2019
地球科学基础模型通过整合大量跨学科数据模拟和理解地球系统动态,以数据为中心的人工智能范例从结构化和非结构化数据中发现见解,灵活的任务规格、多样的输入和输出以及多模态的知识表示使得全面分析成为可能,但在验证和验证、规模、可解释性、知识表示和社会偏见等方面仍存在挑战,提高模型一体化、分辨率、准确性和公平性的跨学科团队合作是关键,尽管当前存在限制,地球科学基础模型通过探索场景和量化不确定性向气候变化、自然灾害和可持续性等紧迫问题提供了关键见解,其不断向集成化的数据驱动建模演化具有改变范式的潜力。
Sep, 2023
通过生成人工智能在地球科学领域的潜在应用,我们探讨了机器学习和深度学习的最新发展,以及它们在解决与地球科学和地球系统动力学相关的预测问题、模拟和多准则决策挑战方面所发挥的作用。并且介绍了在地球科学中使用的几种生成对抗网络(GANs)、物理信息神经网络(PINNs)和基于生成预训练转换器(GPT)的结构。这些工具在数据生成 / 增强、超分辨率、全色锐化、去雾、恢复和地表变化等多个应用中帮助地球科学界取得了进展。但还存在一些挑战,如确保物理解释性、恶意用途案例和可信度。总的来说,GAI 模型对地球科学界有着巨大潜力,特别是在支持气候变化、城市科学、大气科学、海洋科学和行星科学方面,通过其对数据驱动建模和不确定性量化的非凡能力。
Jan, 2024