译者：沿边杀手居的小蛇
原文：https://www.sciencedaily.com/releases/2019/02/190214115551.htm
(图解：气候引发的二氧化碳变化：这些不同的颜色表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 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分布。而近段时间，通过使用更复杂的 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和短期变化的情况下，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 学习技术成为一种具有巨大潜力的的工具，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)计算机视觉小组的合著者Joachim Denzler和MSCJ(Michael-Stifel-Center Jena)的成员补充说在极端事件下，分析这些问题的过程非常复杂，不光受当地条件的影响，也受其时空背景的影响，如火灾蔓延或飓风。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 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。本文讨论了所有这些技术障碍并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。当对温度进行物理模拟时，海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优点，即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，以及对天气和气候的季节性和长期预测和预测，都将从所讨论的 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
（免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。
任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，应及时向本网站提出书面权利通知或不实情况说明，并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后，将会依法尽快联系相关文章源头核实，沟通删除相关内容或断开相关链接。 ）
