地球表層系統(tǒng)建模對(duì)地理環(huán)境與現(xiàn)象進(jìn)行概念抽象、機(jī)理建模和規(guī)律分析，可以反演過(guò)去、模擬過(guò)程、解釋規(guī)律、預(yù)測(cè)未來(lái)，是探索地表復(fù)雜過(guò)程、人地耦合關(guān)系的重要研究方法。在地理大數(shù)據(jù)、高性能計(jì)算等新時(shí)代技術(shù)的支持下，智能學(xué)習(xí)算法（特別是深度學(xué)習(xí)）具備的數(shù)據(jù)驅(qū)動(dòng)優(yōu)勢(shì)有希望進(jìn)一步提升對(duì)復(fù)雜地表過(guò)程的建模與模擬能力。

近期，南京師范大學(xué)閭國(guó)年教授、陳旻教授領(lǐng)銜的開(kāi)放式地理建模與模擬（OpenGMS）研究團(tuán)隊(duì)聯(lián)合可持續(xù)發(fā)展大數(shù)據(jù)國(guó)際研究中心、香港中文大學(xué)、香港科技大學(xué)、南京大學(xué)、蘭州大學(xué)、中國(guó)地質(zhì)大學(xué)（北京）、江西師范大學(xué)以及美國(guó)、英國(guó)、德國(guó)、丹麥、澳大利亞、新加坡等國(guó)際研究學(xué)者，在《Nature Reviews Earth & Environment》（影響因子為42.1）上以“Iterative Integration of Deep Learning in Hybrid Earth Surface System Modelling”為題系統(tǒng)地總結(jié)了地球表層系統(tǒng)建模集成智能學(xué)習(xí)方法的研究進(jìn)展。不同于以往基于模型模塊層面的集成研究，文章更強(qiáng)調(diào)在完整建模生命周期流程中發(fā)揮兩類模型的優(yōu)勢(shì)與特色，提出了人機(jī)迭代交互與優(yōu)化的智能化建模途徑。

文章關(guān)注于地球表層系統(tǒng)建模研究領(lǐng)域，指出了在大數(shù)據(jù)時(shí)代下該研究領(lǐng)域在問(wèn)題理解、數(shù)據(jù)處理、模擬精度以及計(jì)算效率方面存在理論和技術(shù)瓶頸，并闡述了以深度學(xué)習(xí)為代表的智能學(xué)習(xí)方法所帶來(lái)的機(jī)遇，例如多模態(tài)數(shù)據(jù)處理、自適應(yīng)特征表征、高精度模擬以及高速推理等方面優(yōu)勢(shì)。文章認(rèn)為，通過(guò)集成地球表層系統(tǒng)建模和智能學(xué)習(xí)方法（即混合式建模，圖1），可以將專家經(jīng)驗(yàn)知識(shí)和機(jī)器智能推理有機(jī)融合，可更高效且深入地對(duì)復(fù)雜地表過(guò)程和人地耦合關(guān)系進(jìn)行建模和模擬研究，有助于促進(jìn)地學(xué)研究的范式轉(zhuǎn)型和跨越式發(fā)展。

圖1 通過(guò)整合地球系統(tǒng)建模和深度學(xué)習(xí)應(yīng)對(duì)重大環(huán)境挑戰(zhàn)

通過(guò)分析現(xiàn)有混合建模的研究范式，文章進(jìn)一步分析了該研究領(lǐng)域的三點(diǎn)局限：模型集成情景有限、建模過(guò)程主觀性強(qiáng)、計(jì)算環(huán)境兼容性低。為了應(yīng)對(duì)這些問(wèn)題，文章提出了一個(gè)可迭代交互式的智能建模概念框架（圖2）。該框架提出融合專家知識(shí)和智能推理于整個(gè)建模生命周期；在同質(zhì)云端計(jì)算環(huán)境下構(gòu)建建模知識(shí)庫(kù)和智能學(xué)習(xí)推理引擎，通過(guò)二者的相互作用，以形成知識(shí)問(wèn)答和資源推薦機(jī)制；在用戶的參與與交互中，可生成可定制、可擴(kuò)展且準(zhǔn)確的建模計(jì)劃和資源配置。文章以后疫情時(shí)代下人類出行方式變化對(duì)社會(huì)經(jīng)濟(jì)和氣候系統(tǒng)造成的影響為建模案例，詳細(xì)闡述了該概念框架的交互流程、計(jì)算邏輯以及輸出形式等方面特征。

圖2 可迭代交互式的智能建模概念框架

最后，文章指出，開(kāi)放式研究社區(qū)和建模平臺(tái)以及知識(shí)、數(shù)據(jù)和模型等資源共享措施有助于推進(jìn)智能化建模的發(fā)展；與此同時(shí)，智能方法預(yù)測(cè)結(jié)果的可靠性需要被重視，既要發(fā)展模型模擬的可解釋能力，也要提升在人類因素干擾和極端事件下的模擬預(yù)測(cè)精度。此外，文章強(qiáng)調(diào)在推動(dòng)智能化建模平臺(tái)建設(shè)時(shí)，需要融入數(shù)據(jù)實(shí)時(shí)獲取分析和模型動(dòng)態(tài)優(yōu)化更新等功能策略，以適應(yīng)地球表層系統(tǒng)日益演變的關(guān)鍵特征。

上述研究工作獲得國(guó)家重點(diǎn)研發(fā)計(jì)劃（2022YFF0711604）、國(guó)家自然科學(xué)基金項(xiàng)目（41930648）、水利部重大科技項(xiàng)目（SKS-2022001）、歐盟“地平線2020”研究與創(chuàng)新計(jì)劃（820970）、歐盟瑪麗居里學(xué)者項(xiàng)目（956170）和德國(guó)聯(lián)邦教育及研究部項(xiàng)目（01LS2001A）聯(lián)合資助。此外，該研究工作也得到德國(guó)馬克斯·普朗克生物地球化學(xué)研究所所長(zhǎng)，混合式地球系統(tǒng)建模研究先驅(qū)Markus Reichstein教授的支持與幫助。

文章引用格式：Chen, M., Qian, Z., Boers, N. et al. Iterative integration of deep learning in hybrid Earth surface system modelling. Nat Rev Earth Environ (2023). https://doi.org/10.1038/s43017-023-00452-7

原文鏈接：https://www.nature.com/articles/s43017-023-00452-7