人工智能(AI)方法已成為許多地球科學(xué)領(lǐng)域(例如氣候模型，天氣預(yù)報，水文學(xué)，空間天氣和固體地球)中的有用工具。人工智能方法正在用于衛(wèi)星的預(yù)測，異常檢測，事件分類和機(jī)載決策等任務(wù)，它們有可能為代表氣候模型中的亞電網(wǎng)過程提供高速替代方案[Rasp等。，2018;Brenowitz和Bretherton，2019年]。

盡管近年來人工智能方法的使用急劇增加，但我們提醒您，應(yīng)謹(jǐn)慎對待它們在地球科學(xué)中的使用，并伴隨著最佳使用方法的發(fā)展。沒有最佳實踐，對這些方法的不當(dāng)使用可能會導(dǎo)致“科學(xué)不佳”，從而可能在地球科學(xué)界普遍反對使用AI方法。這樣的強(qiáng)烈反對將是不幸的，因為AI為地球科學(xué)家提供了很多服務(wù)，可以幫助他們篩選并從不斷增加的數(shù)據(jù)量中獲取新知識。因此，現(xiàn)在是地球科學(xué)界為使用AI開發(fā)周到的方法的時候了。

輕松獲得強(qiáng)大的新方法

使用AI方法建立和運(yùn)行實驗，這些方法通常需要復(fù)雜的計算機(jī)科學(xué)知識。這已不再是這種情況。AI在其他領(lǐng)域的最新成功促使人們開發(fā)了非常易于學(xué)習(xí)和使用的免費高效的軟件包。甚至可以用幾行代碼來建立復(fù)雜的人工神經(jīng)網(wǎng)絡(luò)，并且提供了無數(shù)教程和示例來指導(dǎo)新手用戶。此外，隨著算法變得更加高效，計算能力變得更便宜且云上的可用性更高，對高性能計算的訪問不再是限制因素。所有這些發(fā)展為地球科學(xué)家們提供了強(qiáng)大的AI方法。

地球科學(xué)家在使用基于物理學(xué)的方法(例如動力學(xué)模型)和復(fù)雜的統(tǒng)計數(shù)據(jù)(例如經(jīng)驗正交函數(shù)分析和光譜分析)方面有著悠久的傳統(tǒng)。因此，他們已經(jīng)接受統(tǒng)計方法作為有用的工具，而統(tǒng)計方法是一種數(shù)據(jù)驅(qū)動的方法。但是，地球科學(xué)中AI方法(另一種數(shù)據(jù)驅(qū)動方法)的突然興起，再加上地球科學(xué)家不熟悉的術(shù)語和文化，可能會使AI方法看起來比實際更陌生。AI只是提供了一組擴(kuò)展的新數(shù)據(jù)驅(qū)動方法，其中許多方法都是從統(tǒng)計原理中衍生出來的。例如，一種基本類型的人工神經(jīng)網(wǎng)絡(luò)(深度學(xué)習(xí))本質(zhì)上是散布著標(biāo)量非線性變換的一系列鏈接的線性回歸模型。

在此，我們通過概述研究人員的一些建議步驟來解決如何最好地同時利用基于物理學(xué)和數(shù)據(jù)驅(qū)動方法的問題。為簡潔起見，我們在下面僅使用術(shù)語“ AI方法”，盡管我們的大部分討論同樣適用于所有數(shù)據(jù)驅(qū)動的方法。

步驟1：提出指導(dǎo)性問題

我們建議地球科學(xué)家在選擇特定的AI方法之前先問自己以下問題：

為什么我要在應(yīng)用程序中使用AI?該應(yīng)用程序是用于預(yù)測，理解還是兩者兼有?答案對于選擇滿足透明度和性能之間所需折衷的AI方法很重要。

如何將科學(xué)知識整合到AI方法中?有很多方法可以將基礎(chǔ)物理過程(例如物理和化學(xué))和AI方法的專家科學(xué)知識相結(jié)合;應(yīng)該盡一切努力合并這些方法，如下面第2步中所述。

可以使用可解釋的AI中的哪些工具?可解釋的AI(XAI)的新興領(lǐng)域為AI方法的可視化和解釋提供了許多新工具[Samek等。，2019]。McGovern等。例如，[2019]展示了這些工具在與天氣相關(guān)的應(yīng)用中的巨大潛力。這些工具有可能通過增加透明度并由此建立對其推理的信任來改變AI方法在地球科學(xué)中的使用。

我的方法是否能概括性地解決使用它的所有條件?AI方法依靠“訓(xùn)練數(shù)據(jù)”來學(xué)習(xí)系統(tǒng)的特征。必須特別注意測試，并確保生成的AI模型在不斷變化的條件(包括政權(quán)轉(zhuǎn)移)下工作。融合科學(xué)知識可以大大增強(qiáng)泛化能力，并且可以通過從交叉驗證到生成對抗性示例的AI技術(shù)等方法進(jìn)行測試。

我的方法可重復(fù)嗎?我是否遵循可發(fā)現(xiàn)，可訪問，可互操作和可重用(FAIR)的數(shù)據(jù)原理?我的方法是否易于社區(qū)使用?