ACM通信

评论文章

地球科学的智能系统:基本研究议程

作者:Yolanda Gil, Suzanne A. Pierce, Hassan Babaie, Arindam Banerjee, Kirk Borne, Gary Bust, Michelle Cheatham, Imme Ebert-Uphoff, Carla Gomes, Mary Hill, John Horel, Leslie Hsu, Jim Kinter, Craig Knoblock, David Krum, Vipin Kumar, Pierre Lermusiaux, Yan Liu, Chris North, Victor Pankratius, Shanan Peters, Beth Plale, Allen Pope, Sai Ravela, Juan Restrepo, Aaron Ridley, Hanan Samet, Shashi Shekhar, Katie Skinner, Padhraic Smyth, Basil Tikoff, Lynn Yarmey, Jia Zhang
ACM通讯，2019年1月，第62卷第1期，第76-84页
10.1145 / 3192335
评论

地球科学的许多方面为智能系统研究提出了新的问题。地球科学数据具有挑战性，因为它往往不确定、间歇性、稀疏、多分辨率和多尺度。地球科学过程和对象通常具有无定形的时空边界。缺乏真实的事实使得模型评估、测试和比较困难。克服这些挑战需要重大突破，这将极大地改变智能系统，同时极大地造福地球科学。尽管智能系统和地球科学社区之间已经有了重要而有益的互动，^4，12地球科学智能系统协同研究的潜力在很大程度上尚未开发。在国家科学基金会就这一主题举行的研讨会之后，最近启动了地球科学智能系统研究协调网络。¹这个不断扩大的网络建立在美国国家科学基金会地球立方地球科学计划的基础上，并受到地球、海洋、大气、极地和地球空间科学的实际问题的推动。¹¹基于该网络内的讨论和活动，本文提出了受地球科学挑战启发的智能系统的研究议程。

回到顶部

关键的见解

地球科学研究旨在将地球理解为一个复杂的、高度互动的自然过程系统，以及它们与人类活动的相互作用。考虑到地球科学数据的复杂性，目前的方法存在根本性的缺陷。首先，仅使用数据不足以为所研究的非常复杂的现象建立模型，因此需要考虑先前的理论。其次，如果使用现有模型的知识来引导数据收集，将注意力集中在将产生影响的数据上，那么数据收集将是最有效的。第三，要跨学科组合不同的数据和模型，需要捕获和推理广泛的条件和上下文，以实现它们的集成。这些都说明了对包含大量地球科学知识的知识丰富的智能系统的需求。

本文首先概述了地球科学中的研究挑战。然后提出了智能系统解决这些挑战的研究议程和愿景。报告最后概述了新成立的地球科学智能系统研究网络中正在进行的活动，该网络正在培养一个社区，以开展这一跨学科研究议程。

当今地球科学调查的步伐很难跟上管理自然资源、应对地质灾害以及了解人类活动对地球的长期影响等社会需求的紧迫性。^{6，7，8，9，10，11}此外，最近数据可用性的空前增长以及对社会驱动因素的更加强调强调了跨越传统知识边界的研究的必要性。不同的地球科学学科正从不同的动机和角度面对这些挑战:

• 预测极地冰架海平面变化速率:极地科学家，以及大气和海洋科学家，都面临着了解全球海平面上升的迫切需要。冰架环境代表了采样和传感的极端环境。目前收集感知数据的努力是有限的，并且使用具有传统采样频率和收集限制的系绳机器人。收集冰架上或附近情况的大量数据的能力将使我们了解海洋环流模式的变化，以及风环流的反馈。智能传感器的新研究将支持选择性数据收集、车载数据分析和自适应传感器转向。新型潜水机器人平台可以检测并响应有趣的情况，同时根据实时收集的数据调整可能触发的传感频率。
• 解锁深层地球时间:地球科学家专注于了解地球的动力学，包括地球的内部或地球深(如构造学、地震学、磁场或重力场以及火山活动)和近地表地球(如水文循环、碳循环、粮食生产循环和能源循环)。虽然从实地收集数据是由选定地点的个人完成的，但所审议的问题涉及地球上广阔的空间区域。此外，科学家们一直在不同的时间、不同的地点收集数据，并在不同的存储库和通常互不关联的出版物中报告结果。这导致信息收集的关联性差，使得广域分析极其困难，也不可能重现。地球系统是集成的，但目前的地球科学数据和模型不是。为了解开有关深地时间等主题的重大问题，地球科学家需要智能系统来有效地整合来自不同位置、数据类型和广泛区域内收集工作的数据。
• 预测关键的大气和地球空间事件:大气和地球空间科学研究旨在提高对地球大气及其与地球所有其他组成部分的相互依赖关系的理解，并了解入射太阳风流与地球磁层、电离层和热层之间的重要物理动力学、关系和耦合。大气研究调查的现象从行星到微空间尺度，从千年到微秒。虽然收集的数据非常大，但考虑到所研究现象的复杂性，这是微不足道的。因此，为了生成有效的模型，现有的数据必须添加有关现象背后的物理定律的知识。
• 探测海洋-陆地-大气-冰的相互作用:我们理解地球系统的能力很大程度上依赖于我们跨越时间、空间和学科整合地球科学模型的能力。这需要复杂的方法来支持组成和发现结构，诊断和补偿复合模型错误和不确定性，并生成考虑到科学家上下文的多维信息的丰富可视化。

附图说明了受这些地球科学挑战启发的智能系统研究方向，这些挑战以不同的规模组织起来。将地球作为一个系统来研究需要全新的能力:在重要的时间和地点收集数据，将孤立的观测数据整合到更广泛的研究中，在缺乏综合数据的情况下创建模型，以及综合来自多个学科和尺度的模型。智能系统在开发更健壮的传感器平台、更有效的信息集成、更强大的机器学习算法和智能交互环境方面的进步，有可能极大地改变地球科学研究实践，并扩展所研究问题的性质。

数字人工智能的研究。

回到顶部

有益于地球科学的智能系统研究路线图

地球系统现象具有非线性、多分辨率、多尺度、异质性和高度动态的特征。地球科学研究也受到极端事件和地球系统长期变化的挑战。现有的数据是断断续续的，具有重大的不确定性来源，鉴于所研究现象的复杂性和丰富性，数据非常稀疏。因此，数据集的小样本量必须补充地球科学过程的科学原理，以指导知识发现。例如，封装关于控制地球系统数据集的物理过程的知识可以帮助限制地球科学应用中复杂非线性关系的学习，确保理论上的一致结果。我们需要利用数据驱动研究的进步，利用领域知识和支配所研究现象的科学原理的方法。这些具有地球科学意识的系统将需要包含关于物理、地质、化学、生物、生态和拟人因素的现象的广泛知识。

---

这一研究将导致新一代知识丰富的智能系统，除了数据之外，还包含丰富的知识和上下文，从而实现全新的推理、自主、学习和交互形式。

---

这方面的研究将引领新一代的知识丰富的智能系统除了数据之外，它还包含丰富的知识和背景，能够实现全新的推理、自主、学习和互动形式。创建知识丰富的智能系统的研究挑战主要集中在五个方面:

1. 知识表示和获取:获取有关过程、模型和假设的科学知识。
2. 传感和机器人:根据现有的科学知识优先收集数据。
3. 信息集成:将数据和模型表示为“系统的系统”，其中所有知识都是相互关联的。
4. 机器学习:用相关底层过程的知识和模型丰富算法。
5. 接口和交互系统:使用相互关联的知识探索和理解用户上下文。

我们依次描述这五个领域。对于每个领域，我们介绍了主要的研究方向，然后介绍了该领域的总体愿景。

知识表示和捕获。为了创建知识丰富的智能系统，与地球科学过程相关的科学知识必须明确地表示、捕获和共享。

研究方向:

1. 表示科学数据和元数据。地球科学家正在收集比以往任何时候都多的数据，但原始数据放在孤立的服务器上几乎没有什么用处。最近在语义和关联开放数据标准方面的工作使数据集能够以具有开放访问许可的Web标准格式发布，在数据集之间创建链接以进一步互操作性。²这导致了web嵌入式语义网络和知识图，提供了大量关于地球科学的开放互联知识。语义、本体论表示、跨领域的科学准确的概念映射、知识图和关联开放数据的应用都是积极研究的领域，这些领域可以在不需要大量手工工作的情况下促进数据的搜索和集成。⁵
2. 捕捉科学过程、假设和理论。为了补充刚才讨论的本体论和数据表示，一个巨大的挑战是如何表示不断发展、不确定、复杂和动态的科学知识和信息。重要的挑战将出现在表示动态过程，不确定性，理论和模型，假设和主张，以及不断增长的科学知识库的许多其他方面。这些表示需要具有足够的表现力，以捕获复杂的科学知识，但它们还需要支持可扩展的推理，以集成不同规模的不同知识。此外，科学家需要理解这些表述，并相信其结果。
3. 多种科学知识的相互作用。科学知识有多种形式，它们使用不同的隐性和显性表示:假设、模型、理论、方程、假设、数据描述等等。这些表示都是相互关联的，并且应该能够根据需要将知识从一种表示转换为另一种表示。一个主要的研究挑战是科学知识的替代表示方式的无缝互操作，从描述性到分类学到数学，从事实到解释和替代假设，从较小的尺度到较大的尺度，从孤立的过程到复杂的综合现象。
4. 协同创作科学知识。正式的知识表示语言，特别是如果它们是表达性和复杂的，科学家不容易获得编码理解。一个主要的挑战将是创造创作工具，使科学家能够创造、链接、重用和传播知识。科学知识需要不断更新，允许替代模型，并将事实与解释和假设分开。这些都是知识获取和创作研究的新挑战。最后，科学知识应该通过合作来创造，允许不同的贡献者根据他们不同的专业知识和观点来权衡。
5. 自动提取科学知识。并非所有的科学知识都需要手工编写。地球科学家已知的大部分数据都以半结构化格式存储，如电子表格或文本，结构化搜索机制无法访问。需要自动化技术来识别这些类型的数据并将其导入到结构化的知识库中。

研究愿景:知识图谱。我们设想丰富的知识图表，将包含与时间和空间相联系的科学知识的明确相互关联的表示，以形成多维的知识地图。解释和假设将被很好地记录下来，并与观测数据和模型联系起来。今天的语义网络和知识图将网络上的分布式事实连接在一起，但它们所包含的简单事实缺乏科学研究所需的深度和基础。知识地图将对过程、假设和理论有更深层次的时空表示，并将以物理世界为基础，将地球科学系统的无数模型相互连接。

机器人和传感。基于知识的传感和数据收集在整个地球科学领域进行更具成本效益的数据收集方面具有巨大潜力。

研究方向:

1. 优化数据收集。地球科学数据需要跨越许多尺度，包括空间和时间。由于不可能在所有时间监视所有尺度的每一次测量，因此对智能传感方法的需求至关重要。在传感器部署之前，需要进行新的研究来估计数据收集的成本，无论是存储容量、能源消耗还是货币成本。一个相关的研究挑战是权衡分析数据收集的成本与要收集的数据的效用。
2. 活跃的抽样。可以利用地球科学知识为自主传感系统提供信息，不仅可以实现长期数据收集，还可以通过自适应采样提高传感的有效性，从而以更低的成本获得更丰富的数据集。通过解读车载传感器数据，自动驾驶汽车可以根据实时数据变化做出决策，或者对当前物理模型的意外偏差做出反应。
3. 众包数据收集以进行昂贵的观察。公民科学家可以提供有用的数据(例如，通过地理定位的移动设备收集的数据)，否则获取这些数据将非常昂贵。通过众包收集数据的一个挑战是确保地球科学研究所需的高质量数据。一个潜在的研究领域是改进经验地评估众包数据收集的方法，并了解收集过程中涉及的偏见。

研究方向:模型驱动传感。关于传感器的新研究将创造新一代设备，这些设备将包含更多关于所收集数据的科学背景的知识。这些设备将利用这些知识来优化它们的性能并提高它们的有效性。这将产生新的模型驱动的传感器这将有更多的自主权和探索能力。

信息集成。数据、模型、信息和知识分散在不同的社区和学科中，对当前的地球科学研究造成了很大的限制。它们的整合提出了重大的研究挑战，需要使用科学知识进行信息整合。

研究方向:

1. 集成来自分布式存储库的数据。地球科学面临着惊人的数据整合挑战。大多数棘手的地球科学问题需要科学家跨越子学科界限进行研究，并共享非常大量的数据。这个问题的另一个方面是，数据跨越了各种各样的模式和极大不同的时间和空间尺度。分布式数据发现工具、元数据转换器和更多的描述性标准正在这种上下文中出现。开放的问题包括跨域概念映射、实体解析和科学有效的数据链接，以及用于查找、集成和重用数据的有效工具。
2. 整理科学信息和资源。科学信息和数字资源(数据、软件、模型、工作流、论文等)应该根据其作者和用途相互连接和相互关联。研究挑战包括开发新的知识网络，准确而有效地将人员、数据、模型和工作流联系在一起。这项研究将加深我们对地球科学信息互操作性和组成的理解，以及协作专业知识和共享概念模型是如何发展的。
3. 自动化数据分析和科学发现。将复杂的集成数据分析过程捕获为工作流有助于重用、可伸缩执行和可再现性。智能工作流系统可以自动从不同的存储库中选择数据，并对不同实验的数据进行综合分析，可以大大加快研究的步伐。通过整合大量不同数据和跨学科模型的工作流程，智能系统将带来新的发现。
4. 追踪来源并评估信任。必须分析集成过程的传入数据的适合性和可信度。必须对原始源以及集成过程进行文档化，以便能够理解和信任信息。挑战在于开发适当的模型，并在整个集成和科学发现过程中自动生成来源/元数据。
5. 整合已发表文献中的数据。地球科学中重要的历史数据通常只能在已发表的文献中找到，需要付出巨大的努力才能与新数据整合。文本挖掘和自然语言处理工具已经可以从文章中提取科学证据。⁵这一领域的重要研究挑战包括提高现有信息提取系统的质量，最大限度地减少建立和训练这些系统所需的工作，并使它们能够通过大量已发表的记录进行扩展。另一个研究领域是对提取的事实进行地理引用，并将新提取的信息与现有数据存储库集成。

研究愿景:可信的信息线索。拟议的研究将产生科学准确、有用和可信的知识丰富的数据、模型和信息景观，其中将包括从原始测量中获得的综合广泛的副产品。这些产品将被描述，以解释衍生和假设，以增加其他科学家的理解和信任。这些可信的信息线程将易于导航、查询和可视化。

---

需要进行新的研究来开发新的机器学习方法，结合地球科学过程的知识，并有效地使用它来补充小样本量的数据。

---

机器学习。考虑到所研究现象的复杂性，为了解决分析稀疏地球科学数据的挑战，将需要结合科学知识的新机器学习方法，以便比仅从数据中获得更好的推论。

研究方向:

1. 将地球科学知识纳入机器学习算法。地球科学过程是非常复杂和高维的，考虑到可能的观测空间，数据的样本量通常很小。由于这些原因，目前的机器学习方法对许多地球科学问题不是很有效。一种有前途的方法是用主要地球科学过程的知识补充数据。^3.目前工作的例子包括图形模型的使用，先验的合并和正则化的应用。需要进行新的研究来开发新的机器学习方法，结合地球科学过程的知识，并有效地使用它来补充小样本量的数据。先验知识降低了模型的复杂性，使从更少量的数据中学习成为可能。结合地球科学过程知识还可以解决典型的地球科学数据的高维数问题。先验知识限制了变量之间可能的关系，降低了学习任务的复杂性。
2. 结合机器学习和模拟方法。机器学习提供了数据驱动的方法，从观测数据中得出模型。相比之下，地球科学家经常使用建立的模拟模型。基于过程的模拟方法强加了守恒原理，如质量守恒、能量守恒和动量守恒。每种方法都有不同的优点。数据驱动模型通常更容易开发。基于过程的模拟模型可以为模型校准期间未表示的情况提供合理的预测结果，而数据驱动的模型被认为也不能外推。然而，开发基于过程的仿真模型的困难，例如参数化和缺乏明确的测试结果，可以使这一说法受到质疑。智能系统有望产生所需的评估，使数据驱动和过程模型仿真方法中使用的复杂方法更加透明和可反驳。这种努力将有助于更有效和更有效率地使用这些方法。需要结合机器学习和仿真模型优势的新方法。
3. 极值的建模。地球科学中有一些与极端事件有关的重要问题，例如了解极端高温或极低降水的频率和空间分布的变化，以响应温室气体排放的增加。然而，现有的气候模拟模式往往无法再现真实的极端值，因此结果不可靠。尽管数据科学模型提供了另一种方法，但极值的重尾性质及其时空性质对机器学习算法提出了重要的挑战。数据的时空性质提出了一个重大挑战。
4. 评价方法。机器学习评估方法在很大程度上依赖于带有真实标签的黄金标准和基准数据集。在地球科学中，许多问题都没有黄金标准数据集，在这些情况下，尚不清楚如何证明机器学习模型的价值。一种可能的方法包括做出预测，收集观测数据，然后调整模型以解释预测和观测数据之间的差异。利用这些数据举办数据挖掘比赛对机器学习社区来说是一个非常有效的吸引力。另一种选择可能是从模拟中创建训练数据集。可以生成模拟真实数据的训练数据集，但也可以获得地面真相，为严格训练、测试和评估机器学习算法提供机会。
5. 用于大规模应用的因果发现和推断。许多地球科学问题都涉及到因果推断的基本问题。例如，是什么原因导致更频繁的热浪发生?海洋盐度变化的原因可能是什么?虽然证明因果关系可能非常困难，但可以为因果关系生成新的(可能的)假设，这些假设可以由领域专家使用诸如因果推断的泛化分析、存在隐藏成分的因果推断、领域适应和子样本数据、格兰杰图模型和概率图模型的因果发现等方法进行测试。鉴于现有的大量数据，我们处于一个独特的位置，可以利用这些进展来回答地球科学中关于因果推理的基本问题。
6. 由地球科学问题驱动的新型机器学习方法。广泛的先进机器学习方法可以有效地应用于地球科学问题。此外，地球科学问题促使研究人员开发全新的机器学习算法。例如，试图建立一个机器学习模型来预测热带地区的森林火灾，使用来自地球观测卫星的多光谱数据，这导致了一种为罕见现象建立预测模型的新方法¹这可以应用在任何情况下，即使对于一小部分样本也不可能获得高质量的标记数据，但对于所有样本都可以获得低质量的标签(可能以启发式的形式)。机器学习方法已经在一些特定的地球科学应用中显示出了巨大的潜力，但为了使这些方法广泛而容易地应用于地球科学的其他领域，仍然存在重大的研究挑战。
7. 主动学习，自适应抽样，自适应观察。许多地球科学应用涉及从数据中学习高度复杂的非线性模型，这通常需要大量的标记数据。然而，在大多数情况下，获得标签可能是非常昂贵的，并且需要领域专家的大量努力、昂贵的实验或很长的时间。因此，一个重大的研究挑战是有效地利用有限的标记工作来建立更好的预测模型。在机器学习中，这一研究领域被称为主动学习。许多相关的主动采样算法，如基于聚类的主动学习，已经被开发出来。当现有的主动学习算法应用于地球科学时，由于高维、极端事件和缺失数据等问题，出现了新的挑战。此外，在某些情况下，我们可能对一些站点有丰富的标记数据，同时对其他位置(例如，偏远地区)的模型感兴趣。迁移主动学习的目的是通过算法来解决问题，可以显著减少标记请求的数量，并通过从有大量标记数据的区域转移知识来构建有效的模型。迁移主动学习仍处于早期阶段，新颖的机器学习研究存在许多机会。
8. 解释模型。在过去的几十年里，我们见证了许多强大但复杂的机器学习算法的成功，最近深度学习模型的高峰就是一个例子。在实际应用中，它们通常被视为一个黑箱，但随着大数据的兴起及其建模能力，它们已经被更多的社区所接受。然而，在地球科学等应用中，我们对预测建模和科学理解都感兴趣，这需要解释和解释建模。机器学习的一个重要研究领域是将领域知识和因果推理结合起来，从而设计出能够被科学家理解并与现有地球科学理论和模型相关的解释性机器学习方法。

研究愿景:理论指导学习。地球科学数据对机器学习方法提出了新的挑战，因为相对于所研究现象的复杂性和非线性而言，样本量较小，缺乏地面真相，以及高度的噪声和不确定性。新方法量学习将需要开发，其中关于潜在地球科学过程的知识将指导机器学习算法对复杂现象建模。

智能用户交互。科学研究需要良好集成的用户界面，其中数据可以轻松地从一个流向另一个，并包括和利用用户的上下文来指导交互。应该探索新的交互形式，包括虚拟现实和触觉界面，以促进理解和综合。

研究方向：

1. 知识丰富的上下文感知推荐系统。科学家们将受益于主动系统，这些系统了解手头的任务，并为潜在的下一步提出建议，建议数据集和分析方法，并生成感知上有效的可视化。一个主要的研究挑战是设计推荐系统，适当地考虑到地球科学家调查的复杂科学背景。
2. 在整个科学过程中嵌入可视化。在整个科学过程中，可视化和直接操作界面的普遍使用需要将数据与假设联系起来，并允许科学家从全新的角度体验模型。这些基于可视化的交互系统需要研究新颖的视觉表示的设计和验证，这些视觉表示有效地集成了2D、3D、多维、多尺度和多光谱视图中的不同数据，以及如何将模型与用于导出它们的相关数据链接起来。
3. 智能设计丰富的交互可视化。为了在整个研究过程中更加普遍，可视化必须是自动生成的，并且是交互式的。一个研究挑战是设计可视化。另一个挑战是设计适合科学家问题的可视化。未来研究的一个重要领域是交互式可视化和直接操作界面，这将使科学家能够探索数据并更好地理解潜在现象。
4. 沉浸式可视化和虚拟现实。低成本可用的沉浸式可视化和物理交互技术有了新的机会，这些技术可以将地球科学家虚拟地带入所调查的物理空间，同时还提供了其他相关形式的数据。该研究议程需要弥合科学可视化、信息可视化和沉浸式虚拟环境的先前差异。
5. 通过结合模型和数据的可视化进行交互式模型构建和优化。建立和改进模型的交互式环境将使科学家能够更好地了解初始数据和假设的变化如何影响模型，模型变化如何影响结果，以及数据可用性如何影响模型校准。开发这样的交互式建模环境需要将数据与模型、模型集合、模型参数、模型结果和假设规范集成在一起的可视化。这些集成环境对于开发机器学习方法来解决地球科学问题特别有用，例如在协助参数调优和选择训练数据方面。一个主要的挑战是需要表示的这些不同类型信息的异构性和复杂性。
6. 时空信息接口。绝大多数地球科学研究产品是地理空间本地化的，并具有时间参考。地理空间信息需要专门的接口和数据管理方法。需要对时空信息的智能接口进行新的研究，利用用户的上下文和目标来识别隐式位置，消除文本位置规范的歧义，或决定要呈现的信息子集。移动设备的小尺寸也限制了开发涉及空间数据的应用程序。
7. 数据分析和科学发现过程的协作和协助。智能工作流系统可以通过自动化日常工作来帮助科学家。因为每个科学家都有一个独特的工作流程，而且他们的工作流程会随着时间的推移而变化，研究的一个挑战是这些系统需要高度灵活和可定制。另一个研究挑战是支持一系列工作流和流程，从可重用的常见工作流和流程到本质上具有高度探索性的工作流和流程。这样的工作流程系统必须能够协同设计和分析，并能够协调科学家团队的工作。最后，工作流系统还必须支持新兴的科学过程，包括针对数据收集和标签等问题的众包。

研究愿景:整合工作空间。需要新的研究，以使科学家能够与现有现象相关的所有形式的知识相互作用，理解不确定性和假设，并提供对综合信息的许多替代观点。这将导致关注用户界面综合工作区，可视化和操作将嵌入整个分析过程。这些新的智能用户界面和交互模式不仅将支持对数据的探索，而且还将支持为数据提供上下文的相关模型和知识的探索。研究活动将从一个用户界面无缝地流向另一个用户界面，每个用户界面都适合于手头的任务，并丰富用户上下文。

回到顶部

结论

本文提出了受地球科学挑战启发的知识丰富的智能系统的研究机会。需要在知识表示、选择性传感、信息集成、机器学习和交互分析方面进行重大研究。

实现这些进步需要智能系统和地球科学研究人员共同努力，制定知识丰富的框架、算法和用户界面。认识到如果没有显著的促进作用，这些相互作用不太可能发生，因此建立了一个新的地球科学智能系统研究协调网络，以实现在这些通常不会交叉的领域之间的持续交流。这个网络集中于三个主要目标。第一，组织联合讲习班和其他论坛将促进协同讨论和合作项目。其次，具有挑战性的问题存储库和带有清晰问题陈述的数据集将降低参与的障碍。第三，一个精心策划的学习材料库可以教育研究人员和学生，这将减少在理解其他学科的高级主题时所涉及的陡峭的学习曲线。此外，研究协调网络的成员正在参与其他协同努力、项目和社区，如可持续发展的人工智能、气候信息学、科学门户和美国国家科学基金会大数据中心。

这一领域强大的研究团体有可能对人工智能研究产生变革性的影响，与此同时，地球科学和其他科学学科也取得了重大进展，加快了发现速度，并创新了科学研究的方式。

回到顶部

致谢

这项工作部分由美国国家科学基金会的计算机与信息科学与工程理事会(CISE)和地球科学理事会(GEO)赞助，奖励为IIS-1533930和ICER-1632211。我们感谢NSF CISE和GEO项目主任的指导和建议，特别是Hector Munoz-Avila和Eva Zanzerkia的指导，以及Todd Leen、Frank Olken、Sylvia Spengler、Amy Walton和Maria Zemankova的建议和反馈。我们还要感谢地球科学智能系统研究协调网络的所有参与者，为这些学科之间的富有成效的讨论创造了知识空间。

数字请在独家报道中观看作者对这项工作的讨论通信视频。//www.eqigeno.com/videos/intelligent-systems-for-geosciences

回到顶部

回到顶部

回到顶部

数字图书馆是由计算机协会出版的。版权所有©2019 ACM, Inc.

---

没有找到条目