صدای سردبیران وبلاگی از اداره انتشارات AGU است.
کاربرد اولیه روش‌های یادگیری ماشین (ML) در علم هیدرولوژی در اواخر دهه 1990 افزایش یافت (مانند شبکه‌های عصبی مصنوعی، کمیته کاری ASCE، 2000) اما استفاده از آن عمدتاً محدود است زیرا محققان فقط بر قابلیت های پیش بینی آن تمرکز می کنند و عمدتاً پتانسیل آن را برای درک فرآیندهای اساسی نادیده می گیرند. تحقیقات ML متعاقباً نه تنها در هیدرولوژی بلکه در همه رشته‌ها، احتمالاً به دلیل الزامات داده‌ها و محدودیت‌های محاسباتی، وارد دوره‌ای از وقفه شد.
زمانی که نهادها در بخش‌های دانشگاهی، غیرآکادمیک، دولتی، غیردولتی و استارت‌آپ‌ها شروع به جمع‌آوری داده‌ها برای بهبود فرصت‌های یادگیری کردند، حس هیبت جدیدی پدید آمد.
تقریباً یک دهه بعد، ML مجدداً شهرت یافت، به ویژه با ظهور کلمه رایج “یادگیری عمیق” و به موفقیت بی سابقه ای دست یافت. در موج اول، ML تا حد زیادی به عنوان یک “جعبه سیاه” بی اعتبار شد. با این حال، موج دوم احساس جدیدی از هیبت را دید زیرا نهادها در بخش‌های دانشگاهی، غیر دانشگاهی، دولتی، غیردولتی و استارت‌آپ‌ها شروع به جمع‌آوری داده‌ها برای بهبود فرصت‌های یادگیری کردند.
نوآوری هایی مانند شبکه های حافظه کوتاه مدت و تکنیک های مولد به تلاش های مشابه در این زمینه دامن زده اند. در سال 2022، با حمایت بنیاد ملی علوم (NSF)، سمپوزیوم HydroML در دانشگاه ایالتی پنسیلوانیا برگزار شد که با وجود چالش‌های COVID-19، بیش از 150 شرکت‌کننده را جذب کرد. اگرچه ML موضوع مهمی در بسیاری از کنفرانس‌ها در این زمان بود، اما تمرکز بر روی بهبود پیش‌بینی پاسخ‌های هیدرولوژیکی، مانند پیش‌بینی سیل بود. تا سال 2023، همانطور که در دومین سمپوزیوم HydroML در آزمایشگاه ملی لارنس برکلی (LBNL) انجام شد. این رویداد موفق، متناسب با پروژه ExaSheds، ادغام AI/ML با علم سیستم زمین را بررسی کرد و بیش از 150 شرکت کننده را به خود جذب کرد. متعاقبا، برنامه هایی برای سمپوزیوم بعدی HydroML در آزمایشگاه ملی شمال غرب اقیانوس آرام (PNNL) در حال توسعه است.
به کارگیری هوش مصنوعی و یادگیری ماشینی در علم سیستم زمین نیازمند تحقیقات گسترده فراتر از قابلیت های پیش بینی ساده است.
بینش‌های کلیدی از این دو سمپوزیوم HydroML، و همچنین رویدادهای متعدد مرتبط دیگر، نشان می‌دهد که کاربرد هوش مصنوعی و ML در علم سیستم زمین نیازمند تحقیقات عمیق فراتر از قابلیت‌های پیش‌بینی ساده است. روش های مدرن، مانند آموزش اپراتور (زی و همکاران، 2021; لی و همکاران، 2020مدلسازی متمایز (فنگ و همکاران، 2023; شن و همکاران، 2023; تسای و همکاران، 2021) و هوش مصنوعی تفسیری (مایر و همکاران، 2021)، راه را برای پیشرفت چشمگیری در این حوزه تحقیقاتی هموار کرد. علی‌رغم چالش‌های پیچیدگی سیستم زمین و در دسترس بودن داده‌های متفاوت، درک استنتاج‌های علّی و نمایش دقیق فرآیندها گام‌های بسیار مهمی هستند. علاوه بر این، تلاش رو به رشدی با هدف ترکیب مدل‌های مکانیکی با تکنیک‌های یادگیری ماشینی انجام می‌شود.
برای رسیدن به این اهداف، ما راه اندازی جدید مجموعه ویژه با عنوان “پیشرفت روش‌های AI/ML قابل تفسیر برای بینش‌های عمیق‌تر و درک مکانیکی در علوم زمین: فراتر از قابلیت‌های پیش‌بینی“. این مجموعه ویژه مشترک بین نامه های تحقیقاتی ژئوفیزیک، بررسی منابع آب، آینده زمینو JGR: Biogeosciences.
این مجموعه ویژه به عنوان پلتفرمی عمل خواهد کرد که ما را به عصری فراتر از قابلیت های پیش بینی صرف سوق می دهد.
حوزه علمی این مجموعه بر بهبود تکنیک‌های ML برای تفسیرپذیری و توانایی پیش‌بینی بهتر، توسعه چارچوب‌های AI/ML برای تشخیص سیستم زمین پراکنده و استفاده از ML برای مدلسازی بهبودیافته و بینش‌های مبتنی بر داده در مورد زمین و سیستم‌های اکولوژیکی آن تأکید دارد. موارد ارسالی ممکن است شامل نامه‌های پژوهشی، مقالات، بررسی‌ها، روش‌ها، مقالات داده‌ها و نظرات مطابق با دستورالعمل‌های گسترده‌تر مجله خاص باشد. اگرچه سمپوزیوم HydroML این مجموعه ویژه را آغاز کرد، ما از کل جامعه هیدرولوژی و علوم زیستی در سراسر جهان دعوت می کنیم تا در آن شرکت کنند. این مجموعه ویژه به عنوان پلتفرمی عمل خواهد کرد که ما را به عصری فراتر از قابلیت های پیش بینی صرف سوق می دهد.
برای ارسال مقاله خود، از سایت ارسال استفاده کنید نامه های تحقیقاتی ژئوفیزیک، بررسی منابع آب، آینده زمین، یا JGR: Biogeosciencesو عنوان مجموعه را از منوی کشویی در قسمت Custom Collection فرم ارسال انتخاب کنید. بسته به تناسب آنها با محدوده و الزامات مجله ممکن است دستنوشته ها به هر یک از این مجلات ارسال شوند.
-دیپانکار دوویدی ([email protected]، 
0000-0003-1788-1900)، آزمایشگاه ملی لارنس برکلی، ایالات متحده؛ شینیوان چن (0000-0003-1928-5555)، آزمایشگاه ملی شمال غرب اقیانوس آرام، ایالات متحده؛ چاوپن شن (0000-0002-0685-1901)، دانشگاه ایالتی پن، ایالات متحده؛ هریهر راجرام (0000-0003-2040-358Xدانشگاه جان هاپکینز، ایالات متحده آمریکا
