GRL、WRR等联合特刊：推进可解释人工智能/机器学习方法，加深对地球科学的认识和机制理解

GRL, WRR, Earth’s Future和JGR Biogeosciences联合特刊正在征稿，邀请大家通过人工智能和机器学习解锁水文学和地球科学的下一个前沿领域。

这幅艺术作品描绘了地球科学中的机器学习。图片来源：这张图由劳伦斯伯克利国家实验室的Jeremy Snyder制作，融合了来自生成式AI的特定元素

人工智能(AI)和机器学习(ML)的进步彻底改变了地球系统科学，人们得以分析大量的地球和水数据，从而发现以前难以捉摸的模式和趋势。不同学科对ML越来越感兴趣，包括水文学、生物地球化学、流域科学和气候科学，这在经过同行评审发表的文献中表现得很明显。然而，除了预测能力外，AI/ML方法仍有很多未开发的机会，可以用于事后分析和对流程的机制理解，为此，人们需要可解释的AI/ML方法或基于过程的ML方法来对复杂系统获得更深入的见解。

GRL, WRR, Earth’s Future和JGR Biogeosciences联合发起的特刊

Advancing Interpretable AI/ML Methods for Deeper Insights and Mechanistic Understanding in Earth Sciences: Beyond Predictive Capabilities现邀请科研人员投稿，探索如何应用AI/ML方法来推进水文学，生物地球化学和地球系统科学的过程理解。特刊还鼓励关于将AI/ML技术与领域知识相结合的方法的协作开发的论文。特刊欢迎原创性的研究成果、改进方法和综述文章，特别鼓励提交：

(a)定制和改进机器学习技术，以提高预测能力之外的可解释性。

(b)利用人工智能/机器学习开发基于过程的推理框架，以有限数据诊断和量化地球系统的功能。

(c)将机器学习与基于过程的模型相结合，开发从稀疏数据集构建降阶模型的新方法。

(d)将机器学习算法集成到改进的地球和环境系统逆向建模中。

(e)利用机器学习算法为机理模型和代理模型推导必要的水文和生物地球化学变量。

(f)通过数据驱动的方法研究水和其他物理/人类系统之间的联系。

本次特刊征集的文章主题包括但不限于：

使用机器学习对极端事件的影响进行建模
使用机器学习进行反应式传输建模
因果人工智能：利用机器学习识别过程的驱动因素
评估各种机器学习模型和架构的性能和局限性
可信且可解释的机器学习
使用机器学习评估环境驱动因素对水文-生物-地球化学过程的影响
通过可微分建模整合机器学习和物理水文模型
过程增强的机器学习模型
用于水流预测的机器学习
机器学习在地下水文学中的应用

特刊详情

Advancing Interpretable AI/ML Methods for Deeper Insights and Mechanistic Understanding in Earth Sciences: Beyond Predictive Capabilities

本特刊由几本期刊联合推出：

Geophysical Research Letters
Water Resources Research
Earth’s Future
JGR: Biogeosciences

根据稿件与各期刊范围和要求的契合度，作者可以将稿件提交给其中任何一本期刊。投稿时请在下拉菜单中选择该特刊名称。

特刊召集人

Dipankar Dwivedi

Lawrence Berkeley National Laboratory
United States

Xingyuan Chen
Pacific Northwest National Laboratory
United States

Chaopeng Shen
Penn State University
United States

Harihar Rajaram
Johns Hopkins University
United States

投稿期限

投稿截止日期：2024年3月31日

详情参见Eos Editors' Vox专题文章：
https://eos.org/editors-vox/advancing-ai-and-machine-learning-beyond-predictive-capabilities

点击下方“阅读原文”访问特刊主页，了解更多特刊内容。