The Innovation | 地球科学新纪元：人工智能引领地球科学发展与突破

TheInnovation创新

2024-10-17 00:00发布于浙江

初衷

当初，许多人对人工智能（AI）在地球科学领域的应用持保留甚至怀疑态度。但随着时间的推移，我们见证了AI如何以其独特的方式，有力地解开地球的奥秘。我们希望这篇综述论文激励更多人正视AI的潜力，拥抱一个由AI赋能的地球科学新纪元。

导读

地球科学领域正站在一个由人工智能（AI）技术推动的新纪元门槛上。AI技术以其卓越的数据处理能力和模式识别能力，为解决地球系统中的复杂问题提供了新的视角和解决方案。本文深入探讨了AI在地球科学研究中的应用，分析了其在推动地球科学发展中的潜力、面临的挑战以及未来的发展方向。

图 1 图文摘要

地球科学研究的新范式

地球科学，作为一个高度跨学科的领域，正在经历由AI技术引领的深刻变革。AI的应用不仅深化了我们对地球自然现象的理解，也极大地扩展了我们对地球系统复杂性、相互作用的多样性以及非线性过程进行建模和预测的能力。随着大数据时代的到来，AI，尤其是机器学习和深度学习，已经成为从海量地球科学数据中挖掘潜在信息、揭示隐匿模式、应对不确定性的关键工具，推动了新的研究范式形成。

图 2 地球科学研究范式

如图2所示，地球科学的研究范式可以概括为四种主要类型：观察假设驱动、模型驱动、数据驱动以及模型数据混合驱动。这些研究范式在数据收集、处理、模拟和预测方面各具特色。观察假设驱动范式侧重于通过系统观测来验证地球系统行为的假设；模型驱动范式则依赖于基于物理和化学原理的数值模型来模拟地球系统过程。数据驱动范式直接从海量数据中提取模式和规律，但其面临数据稀缺和计算成本的挑战。而模型数据混合驱动范式，则融合了物理定律的指导作用和数据驱动的学习与发现新模式的能力，展现出提高模型精度和减少数据需求的显著潜力。地球科学的主要研究范式正在逐渐从传统的观察假设驱动和模型驱动方法，向数据驱动和模型数据混合驱动的方法转变。

AI技术的发展为地球科学的研究方法带来革命性变化，推动着地球科学全新研究范式的形成。如图3所示，AI辅助的地球观测数据收集、处理与表示，使得边缘计算能够在卫星上实时处理数据，优化了数据传输和处理流程。AI技术通过生成模型和多模态数据处理技术，解决了遥感数据中的缺失或噪声问题，提升了数据的完整性和准确性。此外，AI技术支持的“数字孪生地球”平台，集成了遥感数据、现场观测和数值模拟，实现了对地球系统的精确模拟和预测。在地球科学假说的生成与优化方面，AI通过分析多模态数据，帮助研究人员生成更加精确的模型假设。AI驱动的地球科学推理与预测通过先进的模型和算法，如时空图神经网络和物理嵌入神经网络，显著提升了对地球系统复杂关系的推理和预测能力。

图 3 AI辅助的地球观测、假说和预测

AI在地球科学各圈层的应用

大气圈：AI在大气科学研究中扮演着越来越重要的角色。AI技术推动了对云、气溶胶和水汽等大气成分实现更高精度的监测，促进了对这些成分微物理特性和相互作用更深层次的理解，这对于天气模式的预测及气候变化的研究至关重要。AI技术的发展为短期和中期天气预报带来了革新，如Pangu-Weather模型，在预测极端天气事件方面展现出了卓越的能力，能够高效生成多日的精准预报，其效率超过了传统的数值模型。展望未来，AI技术有望为长期气候预测提供新的视角，并促进形成替代传统模型的新方案，为缓解气候变化影响和处理极端天气状况提供创新性的解决途径。

岩石圈：AI的应用正在改变地质勘探、灾害预测、岩石物理分析和地质建模、正演与反演的研究范式，并在众多应用中取得了重大成功。AI技术通过提升大数据科学发现能力和提高数据质量，增强了对地球内部结构和动力过程的认识，加快了深地勘探速度。尽管面临高度耦合和非线性动力学的挑战，AI已在预测震级、规模和时间上取得了显著进展。AI技术在处理和解析地球深部过程的复杂性方面展现出巨大潜力，尽管需要平衡模型规模和科学细节的准确性，但通过高质量数据的融合应用，AI模型的鲁棒性和泛化能力得到了增强，推动了数字驱动的深时与深地科学研究。由于深地大数据的不确定性和小样本的本质性困难，大模型的适用性受到挑战，更为合适的是强描述能力，高分辨能力，高效训练能力的特定领域神经网络，并能够通过持续优化来提升泛化能力和未知科学的识别能力。

水圈：AI的核心优势在于其具有超强的处理和整合大规模异构数据的能力，这对于理解和模拟复杂的全球水循环过程至关重要。AI技术通过精确估算降水、蒸散发和径流等核心地表水通量以及土壤水分等关键状态变量，提升陆地水储量的时空连续性及分辨率，提高了陆地水循环各环节的监测精度。这不仅增强了对水文过程非线性特性的理解，还为不同时空尺度的水循环闭合提供了解决方案。AI技术的应用使得短期极端水文事件预测成为可能，为防灾减灾提供了重要的提前预警。尽管面临数据和模型不确定性的挑战，但AI的预测能力为应对季节性、年际甚至年代际的长期极端水文事件提供了新的工具。

冰冻圈：AI在冰冻圈要素识别、特征提取、属性反演以及变化趋势预测等方面取得了显著进展，是帮助理解这一对气候变化高度敏感的地球圈层的强大工具。AI技术通过强大的算法，提高了对冰冻圈要素如冰川、冰盖和多年冻土的分类精度，克服了传统方法在处理“同谱异物”问题上的局限。AI在提取冰冻圈要素的特定特征方面展现出巨大潜力，例如在植被覆盖和山区环境中区分湿雪和干雪，以及提高对冰川末端和冰裂隙的监测能力。AI通过建立冰冻圈要素属性和遥感图像特征之间的多变量非线性关系，简化了属性反演过程，提高了冻土活动层厚度、积雪深度和雪水当量等关键属性的估计精度。此外，AI技术能够模拟多年冻土的退化趋势和海冰的变化，与地球观测技术、物理建模相结合，使研究人员能够更全面地了解冰冻圈的内部结构和动态过程，为应对气候变化、海平面上升等全球性问题提供了重要的技术支持和决策依据。

生物圈：生物圈研究正经历着由AI技术推动的转型，通过分析庞大的生态数据，AI能够自动识别和学习数百个遥感波段与生态参数之间的复杂关系。这种技术的应用显著提升了对植被结构和生化属性的量化分析能力，包括叶面积指数、叶形态、冠层覆盖度、树高、胸径，以及植被叶绿素和氮含量等关键指标，极大增强了我们对植被动态变化的监测和理解。此外，深度学习与高分辨率遥感图像的结合，为精细尺度的生态学研究提供了新的视角，特别是在昆虫诊断、植被花粉识别、城市冠层检测和树种分类等方面，AI展现出超越传统方法的优势。例如，U-Net神经网络在非洲树木数量计算中的应用，解决了现场观测和传统遥感方法在大规模监测中的难题。在全球碳循环的评估中，AI通过整合多源遥感数据和地面观测数据，提高了对全球植物总初级生产力、生态系统呼吸和净生产力的估算精度，实现了对陆地生态系统碳通量的更准确和更高分辨率的测量。这不仅加深了我们对全球碳循环的理解，而且为制定气候政策和预测未来气候变化提供了坚实的科学基础。

人类圈及各圈层相互作用：AI不仅在地球科学传统圈层的研究中发挥着关键作用，而且在人类圈以及各圈层之间的交叉学科领域中也显示出其重要性，为分析、解释以及促进人类社会与地球系统之间更平衡的关系提供了新的视角。AI提供了对人类行为和生活方式模式的大规模监测，有助于识别行为模式、追踪社会动态、识别新兴现象，有助于更深入地理解人类与环境的互动并为基于证据的决策提供支持。AI的这些应用不仅为我们提供了理解和管理自然世界与人类活动之间互动的新工具，也为实现更可持续和有韧性的未来开辟了新通道。

图 4 AI在地球科学各圈层的应用：观测和模拟是理解地球系统的两大主要工具，人工智能不仅在地球系统的观测中起到了关键作用，帮助从数据中发现新的知识，同时也支持了地球系统的模拟方法革新，并生成新的数据

地球科学中的大模型

地球科学中的大模型正在推动该领域的重大进步。在遥感领域，阿里达摩院的AI Earth和武汉大学的SkySense通过海量遥感数据的预训练学习，显著提高了在下游目标检测和图像分割等任务的准确性和效率。大型视觉—语言模型例如EarthGPT，致力于整合多传感器图像和统一处理不同遥感任务。气候和天气预测领域也因大模型的应用而得到加强，模型如FourCastNet在提供短期到中期的高准确性天气预报方面展现出其能力。专注于极端天气事件预测的NowcastNet和MetNet-3等模型，提高了对关键天气变量的高分辨率预测。地球科学模型的预训练正通过自监督学习等方法不断优化，模型如MoCo-V2和CSPT等，正在提升其泛化能力，并在多种下游应用中展示出优异的性能。

深时数字地球项目是地球科学大模型应用的创新实践，该项目利用大数据和AI技术，探索地球的深层时间历史，以理解地球生命演化、物质演化、地理演化和古气候演化。未来，开发统一的、可解释的、持续学习的超大型模型，对解决地球科学复杂性问题至关重要。

AI在地球科学中的挑战

尽管AI在地球科学中展现了巨大的潜力，但其应用仍然面临诸多技术和应用层面的挑战。

在技术层面，数据的稀缺性与不一致性限制了AI模型的精度和泛化能力，模型的“黑箱”特性使其难以解释，对需要明确推理过程的地球科学领域构成难题。此外，地球科学中的大模型往往需要极高的计算资源，尤其是在处理高分辨率的全球数据或进行长期模拟时，现有的计算资源往往捉襟见肘。

在应用层面，跨学科整合是关键问题，地球科学涉及气象学、地质学、海洋学等多个领域，AI技术需要在这些领域间有效整合，形成统一的研究框架。此外，随着AI在地球科学中应用的扩展，伦理与数据隐私问题也日益凸显，尤其是在处理敏感数据时，如何确保数据安全和隐私保护成为重要议题。

总结与展望

展望未来，AI需要与传统物理模型相结合，通过模型融合与优化，提高对地球系统复杂性的理解以及预测的准确性。随着量子计算、边缘计算和云计算等技术的发展，AI模型的计算瓶颈有望得到缓解，从而推动更复杂地球系统模型的构建。此外，全球科学界的合作与数据共享将通过开放数据平台和国际合作网络得到加强，这不仅加速AI技术的开发和应用，还将促进AI模型在地球科学中的标准化和共同发展。基于AI的智能决策支持系统将为气候变化应对、自然灾害应急和自然资源管理等重大挑战提供更精确和及时的信息，成为地球科学中不可或缺的工具。这些进步预示着AI将在地球科学中发挥更加关键的作用，为人类社会带来更深刻的地球系统理解和更有效的解决方案。

责任编辑

田博博华东师范大学

方娟北京科技大学

本文内容来自Cell Press 合作期刊The Innovation第5卷第5期发表的Review 文章“Artificial intelligence for geoscience: Progress, challenges, and perspectives” (投稿: 2024-01-15；接收: 2024-08-17；在线刊出:2024-08-22;)

引用格式：Zhao T., Wang S., Ouyang C., et al., (2024). Artificial intelligence for geoscience: Progress, challenges, and perspectives. The Innovation 5(5), 100691.

作者简介

通讯作者

王力哲

中国地质大学（武汉）教授、博士生导师、国家杰出青年科学基金获得者、入选国家级人才计划、中科院 “百人计划”研究员、欧洲科学院（Academia Europaea）院士、IEEE Fellow、SPIE Fellow。获清华大学工学学士、工学硕士和德国卡尔斯鲁厄大学工学博士，从事数字地球理论、遥感信息工程、地质信息应用研究。

共同一作

赵天杰

中国科学院空天信息创新研究院研究员，遥感科学国家重点实验室水循环遥感研究室主任。担任国际数字地球学会中国国家委员会数字水圈专业委员会执行秘书长，《GIScience & Remote Sensing》期刊编委、《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》期刊副编辑。

王圣

中国地质大学（武汉）博士，主要从事可信遥感智能解译，地质环境遥感解译研究。

欧阳朝军

中国科学院水利部成都山地灾害与环境研究所，研究员，基金委优青，青促会优秀会员。主要从事山地灾害动力过程数值模拟与预报预警研究。已发表第一/通讯作者SCI论文39篇。担任多个期刊编委。

陈旻

南京师范大学地理科学学院教授，国家杰青。主要从事开放式地理建模与模拟研究，在Nat Rev Earth Environ、Nat Commun等期刊发表论文180余篇；担任国际华人地理信息科学协会(CPGIS)主席、国际环境建模与软件协会(iEMSs)副主席等职务。

刘晨颖

德国慕尼黑工业大学博士。主要从事遥感数据处理及大尺度地球观测数据挖掘等相关研究，发表论文20余篇。

张晋

河海大学长江保护与发展研究院/水灾害防御全国重点实验室教授，博导，主要研究方向为城市水安全及水灾害防御。

余龙

中山大学地理科学与规划学院博士研究生，从事高光谱遥感图像半监督分类、域适应分类及空间数据模式识别等研究，已发表第一作者SCI论文1篇，遥感学报1篇，授权发明专利2项。

王飞

中国科学院计算所副研究员，中科院青促会成员，中科院计算所“新百星”，从事时空大数据分析挖掘、态势计算系统研究，发表KDD、VLDB等论文50余篇。曾获中国指控学会科技进步奖一等奖、二等奖。

谢勇

南京信息工程大学地理科学学院副院长，教授，博士生导师，国家空间基础设施南京遥感真实性检验站站长。长期从事遥感器辐射性能定标与评价、影像质量提升技术研究、数据融合与尺度转换、产品定量反演与真实性检验等研究工作。发表学术论文80余篇，荣获2023年中国产学研合作创新与促进奖、2023 IEEE GRSS协会年度最佳论文奖等4项奖项。