人工智能与地球科学社区之间的合作以互惠互利为目的
作者：Lü, Guonian
人工智能正迅速被融入地球科学领域，但地球科学如何造福人工智能却被忽视了。我们呼吁两个学科之间相互平衡，并提高跨学科合作。
参考文献
里希特斯坦，M. 等人。数据驱动地球系统科学的深度学习和过程理解。自然 566, 195–204 (2019).
伯根，K. J., 约翰逊，P. A., 德胡普，M. V. & 贝罗扎，G. C. 数据驱动的机器学习在固体地球科学中的发现。科学 363，eaau0323 (2019).
坎普斯-瓦尔斯，G.，图亚，D.，朱，X. X. & 里希特，M. (编者)地球科学中的深度学习：遥感、气候科学和地质科学的全面方法(约翰威利出版社, 2021).
图亚，D. 等。迈向地球科学数据人工智能分析的集体议程。IEEE地球科学与遥感杂志 9, 88–104 (2021).
陈梅等人。深度学习在混合地球表面系统建模中的迭代集成。自然·地球与环境评论 4, 568–581 (2023).
赵,T.等.地球科学领域的人工智能：进展、挑战与展望。创新 5, 100691 (2024).
Bommasani, R. 等人。关于基础模型的机会与风险。预印本于https://arxiv.org/abs/2108.07258 (2021).
卡克，L. H. 等人。人工智能与气候变化缓解的协调。自然·气候变化 12, 518–527 (2022).
杰伊，C. 等人. 在使用人工智能和数据科学方法时优先考虑环境可持续性。自然地球科学 17, 106–108 (2024).
陈,M.等.地理空间和网络空间中的人工智能与视觉分析：研究机会与挑战。地球科学评论 241, 104438 (2023).
卡德威，C.，霍尔，D. M. & 尤尔布里希，U. 人工智能重建缺失的气候信息。自然地球科学 13, 408–413 (2020).
赫斯，P.，德鲁克，M.，佩特里，S.，斯特兰德，F. M. &博尔斯，N. 物理约束生成对抗网络在改善地球系统模型降水场方面的应用。自然机器智能 4, 828–839 (2022).
伊尔冈，C. 等。通过在地球系统科学中整合人工智能实现神经地球系统建模。自然机器智能 3, 667–674 (2021).
Runge, J., Gerhardus, A., Varando, G., Eyring, V. & Camps-Valls, G. 时间序列的因果推理。自然·地球与环境评论 4, 487–505 (2023).
毕凯等。利用三维神经网络进行准确的中期全球天气预报。自然 619, 533–538 (2023).
致谢
M.C.感谢中国国家自然科学基金杰出青年学者项目（资助号42325107）的资助。G.L.感谢中国国家自然科学基金（资助号41930648）和可持续发展目标大数据国际研究中心（资助号CBAS2022GSP08）的资助。N.B.感谢Volkswagen基金会和欧盟“地平线欧洲”研究与创新计划（资助号101137601，项目ClimTip）的资金支持。G.C-V. 感谢欧盟研究理事会（ERC）通过USMILE协同研究补助金（资助号855187）和Horizon Europe项目ELIAS（资助号101120237）提供的支持。
伦理声明
利益冲突
作者声明没有利益冲突。
关于这篇文章
引用这篇文章
陈，M., 钱, Z., 博尔斯, N.等著述者等人人工智能与地球科学社区之间的合作以互惠互利。自然地科 17, 949–952 (2024). https://doi.org/10.1038/s41561-024-01550-x
发布:
发行日期:
DOI: https://doi.org/10.1038/s41561-024-01550-x
暂无评论