<th id="rp1rv"></th>

    <th id="rp1rv"></th>

      <nobr id="rp1rv"><meter id="rp1rv"></meter></nobr>
          <track id="rp1rv"><progress id="rp1rv"><listing id="rp1rv"></listing></progress></track>
            <th id="rp1rv"></th>

            <sub id="rp1rv"></sub>

            <th id="rp1rv"></th>

            @ 2019.02.20 , 21:47

            人工智能对地球环境科学的推进

            译者:沿边杀手居的小蛇
            原?#27169;篽ttps://www.sciencedaily.com/releases/2019/02/190214115551.htm

            人工智能对地球环境科学的推进
            (图解:气候引发的二氧化碳变化:这些不同的?#19976;?#34920;现了在厄尔尼诺现象发生的年份二氧化碳的异常变化。数据来自于通量观测网(FLUXNET)并经过人工智能优化。其中红色为辐射异常,绿色为温度异常,蓝色为水质异常。)

            一项德国耶拿[1]和汉堡[2]科学家在《自然》杂志发起的研究表明,人工智能可以有效地推进我们对于地球气候系统的理解。特别是在当前深度学习的潜力还未被完全开发的情况下。在人工智能的帮助下一些复杂的动态环境,如飓风,森林火灾,植被生长能够被更好的研究和解释。作为结果,在使用人工智能的情况下地球气候系统模型会得到进一步的提升,再与物理模型相结合。

            在过去数十年里大部分统计资料的处理是通过机器学习,例如本地与全球的土壤性质与?#26893;肌?#32780;近?#38382;?#38388;,通过使用更复杂的深度学习技术,我们可以更加动态的处理这些数据。例如,这允许我们在考虑季节?#25237;?#26399;变化的情况下,量化全球陆地上的光合作用。

            从数据到规律

            Markus Reichstein说“大量的传感器已经帮我们接收到了大量的地球环境系统数据,但到目前为止,我们在分析和解释数据方面一直有所欠缺”。生物地球化学研究所的常务董事同样也是该书的第一作者,Max Planck说 ”这使得深度学习技术成为一?#24535;?#26377;巨大潜力的的工具,超越了传统的机器学习应用,如图像识别、自然语言处理或 alphago下棋机器人“。

            来自弗里德里希席勒大学(FSU)计算机视觉小组的?#29616;?#32773;Joachim Denzler和MSCJ(Michael-Stifel-Center Jena)的成员?#38057;?#35828;在极端事件下,分析这些问题的过程非常复杂,不光受当地条件的影响,也受其?#31528;?#32972;景的影响,如火?#33268;?#24310;或飓风。这也适用于大气和海洋运输、地质活动和植被动力学等一些地球系统科学的经典课题。

            人工智能改善气候和地球系统模型

            然而深度学习的方法是非常困难的,在数据质量参差不齐的情况下,所有依靠数据和统计驱动的分析方法很难保证自身的一致性,并且有可能遇到推广方面的困难。此外,该方法对于数据处理和存储容量也有很高的要求。本文?#33268;?#20102;所有这些技术?#20064;?#24182;且并制定了一个策略可以将机器学习与物理建模有效的相结合。

            当这两种技术结合在一起,我们就创建了所谓的混合模型。它们可以通过模拟海水的运动来预测海面温度。当对温度进?#24418;?#29702;模拟?#20445;?#28023;水的运动由机器学习方法表示。Markus Reichstei 说”这个新型模型融合了两个模型中的?#35834;悖?#21363;物理模型的一致性和机器学习的多功能性".

            科学家们认为,对极端事件的探测和预警,以及对天气?#25512;?#20505;的季节性?#32479;?#26399;预测和预测,都将从所?#33268;?#30340;深度学习和混合建模方法中获益匪浅。

            文章来源:弗里德里希席勒大学(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

            译者注:[1]、[2]为德国地名


            支付宝打赏 [x]
            您的大名: 打赏金额:

            赞一个 (5)

            24H最赞

            特码生肖卡

            <th id="rp1rv"></th>

              <th id="rp1rv"></th>

                <nobr id="rp1rv"><meter id="rp1rv"></meter></nobr>
                    <track id="rp1rv"><progress id="rp1rv"><listing id="rp1rv"></listing></progress></track>
                      <th id="rp1rv"></th>

                      <sub id="rp1rv"></sub>

                      <th id="rp1rv"></th>

                      <th id="rp1rv"></th>

                        <th id="rp1rv"></th>

                          <nobr id="rp1rv"><meter id="rp1rv"></meter></nobr>
                              <track id="rp1rv"><progress id="rp1rv"><listing id="rp1rv"></listing></progress></track>
                                <th id="rp1rv"></th>

                                <sub id="rp1rv"></sub>

                                <th id="rp1rv"></th>