环境学院郑一教授课题组在深度学习用于地球系统过程模拟方面取得重要成果
近日，环境学院郑一教授课题组在地球科学领域顶级期刊Geophysical Research Letters（Nature Index刊物）上发表“Improving AI system awareness of geoscience knowledge: Symbiotic integration of physical approaches and deep learning”（增强人工智能系统的地球科学意识：物理方法与深度学习的共生融合）一文，介绍了一种深度学习与地球系统过程模拟相融合的全新方法。论文第一作者为环境学院博士生蒋世杰（南科大-新加坡国立大学联合培养），郑一教授为通讯作者。
在地球大数据日渐形成的背景之下，人工智能（AI）在地球科学中得到越来越多的应用。在地球系统过程模拟与预测方面，AI已逐渐成为传统物理方法之外的一个新的研究范式。如何将AI与传统物理方法进行融合，是当前地球科学领域的前沿问题。郑一教授课题组循着“教会AI地球科学知识”这一思路开展研究，提出一种新颖的物理过程模型与深度学习混合的建模框架（图1），将动态过程模型编码为深度学习结构中一种特殊的循环神经网络（Recurrent Neural Network, RNN）层，以此将地球科学知识“灌输”给AI。
图1. 融合动态过程模型的深度学习模型结构
基于此框架，研究进一步发展了一个具有水文学意识的深度学习模型，利用美国本土 569 个流域的数据进行径流预测功能的测试。研究结果表明：在“学会”了水文模型之后，AI 系统具有了更准确的模拟能力和更稳健的跨流域可迁移性（图2）。
图2. 具有水文学意识的深度学习模型与其他人工智能模型在模拟能力和跨流域可迁移性的对比
研究结果还表明：具有水文学意识的深度学习模型尽管在训练时只用到了流域出口径流量的观测数据，但该模型仍然可以对没有直接学习的水文过程（如积雪和融雪过程）进行合理的推断（图3）。
图3. 具有水文学意识的深度学习模型对流域积雪量变化的推断。图a为模型推断得到的各流域日积雪量多年平均的空间分布；图b为卫星遥感观测得到的日积雪量多年平均的空间分布；图c为模型推断和遥感观测得到的日积雪量在所有流域上平均值的时间变化。
在该研究所提出的框架中，物理方法与AI实现了共生融合：物理方法赋予AI系统具有物理一致性的推理能力；数据驱动的AI又以“黑箱”的方式填补了物理知识的缺陷。该研究对于为深度学习等人工智能技术用于地球科学研究开辟了一条新的道路，期刊主编认为这是一项十分优秀的工作（excellent work）。
该研究得到了中科院战略性先导科技专项（XDA20100104）和国家自然科学基金（51961125203；91647201；41622111）的支持。
