Nov, 2023

可解释的地球科学人工智能（XGeoS-AI）：应用于解密图像识别

PDF
TL;DR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。
geoscience ai modelsinterpretable geoscience artificial intelligencexgeos-ai frameworkimage recognitionearth sciences
发现论文，激发创造
  • 可解释人工智能在地球系统科学中的应用

    近年来，人工智能迅速加速其影响力，如果得到恰当利用，将促进地球系统科学的发展。解释性人工智能（XAI）提供了一套强大的工具，可以使模型更加透明。本文旨在为地球系统科学学者提供对 XAI 的基本理解，作为未来研究进展的基础，并鼓励地球系统科学专业人员接受人工智能的好处，克服解释性不足带来的偏见。希望通过融合 AI 和领域特定知识的可解释性混合方法来增强人工智能在地球系统科学中的实用性。

    Jun, 2024

  • 探索面向地球科学数据分析的人工智能共同议程

    本文探讨了地球科学、遥感和人工智能领域近年来趋近的发展情况，强调了这些交叉学科的研究方向和挑战，提出了人工智能在遥感和地球科学领域中的应用，以及年轻研究人员应该如何应对这些挑战，从而推动遥感和地球科学的发展。

    Apr, 2021

  • ACM SIGSPATIAL 上的地理人工智能研究新领域

    本文重申了 GeoAI 开放研究方向的现状、最新发展和新兴议程，呼吁各领域的社区共同参与跨学科的交流。

    Oct, 2022

  • 地球科学与生成式人工智能以及大型语言模型的交叉研究：基础、趋势与未来挑战

    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

  • 扩展基于 CAM 的遥感图像分割的可解释人工智能方法

    通过适应最近的 XAI 分类算法并将它们用于多类别图像分割，本文着重于对高分辨率卫星图像中的建筑物分割的研究，引入了一种基于 “熵” 来衡量模型不确定性的新的 XAI 评估方法和指标，以此来提供透明度和可解释性，为图像分割领域的 XAI 研究和遥感应用铺平道路。

    Oct, 2023

  • 社会科学中的地理人工智能

    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

  • 解释性地理空间机器学习模型的集成框架

    分析空间变化效应在地理分析中至关重要，然而由于地理空间数据的复杂性和非线性，准确捕捉和解释这种变异性是具有挑战性的。本文介绍了一个集成框架，将局部空间加权方案、可解释人工智能（XAI）和先进的机器学习技术相结合，以弥合传统地理分析模型和通用机器学习方法之间的差距。通过对合成数据集的测试，验证了该框架在地理回归和分类中通过阐明空间变异性，提高了预测的解释性和准确性。它显著提升了预测精度，为理解空间现象提供了一种新的方法。

    Mar, 2024

  • 地球科学和基础模型的结合：通向通用地球科学人工智能系统

    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

  • 地理制图中的人工智能研究：方法、应用和伦理的综述与综合

    地理人工智能（GeoAI）在测绘学中的应用与研究展现了巨大潜力，同时也引发了伦理问题的关注，本文通过对 GeoAI 和测绘学整合的研究进行综述和分析，总结了关于 GeoAI 在测绘设计中的应用方法以及相关的伦理挑战，并提出了未来的研究方向。

    Dec, 2023

  • 负责任的地球观测人工智能

    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