Deep Learning for Geophysics
Current and Future Trends
關鍵點
01.介紹了深度學習（DL）的概念和深度神經網絡的經典架構
02.對地球實體學應用中最先進的DL方法進行了回顧
03.讨論了在地球實體學中開發新的DL方法的未來方向
随着人工智能（AI）的快速發展，地球實體學界的學生和研究人員都想知道AI能給地球實體學發現帶來什麼。作者對深度學習（DL）這一流行的人工智能技術進行了回顧，供地球實體學讀者了解最近的進展、開放的問題和未來的趨勢。這篇評論旨在為更多的地球實體研究人員、學生和教師了解和使用DL技術鋪平道路。
深度學習（DL）作為一種新的資料驅動技術，與傳統方法相比，在地球實體學界引起了越來越多的關注，帶來了許多機遇和挑戰。深度學習被證明有潛力準确預測複雜的系統狀态，并在大時間和空間的地球實體應用中緩解 "次元詛咒"。我們通過回顧各種地球科學場景中的DL方法來解決基本概念、最先進的文獻和未來趨勢。勘探地球實體學、地震和遙感是主要焦點。更多的應用，包括地球結構、水資源、大氣科學和空間科學，也被回顧。此外，還讨論了在地球實體學界應用DL的困難。分析了近年來地球實體學中DL的發展趨勢。為地球實體學中涉及DL的未來研究提供了幾個有希望的方向，如無監督學習、轉移學習、多模态DL、聯合學習、不确定性估計和主動學習。為地球實體學的初學者和感興趣的讀者提供了一個編碼教程和快速探索DL的技巧總結。
Part.02
模型驅動和資料驅動方法的說明
左邊是地球實體學的研究課題，從地心到外太空。右邊是目前使用的觀測手段。中間是模型驅動和資料驅動方法的例子。在模型驅動的方法中，根據實體因果關系，從大量的觀測資料中誘導出地球實體現象的原理，然後用模型來推導未來或過去的地球實體現象。在資料驅動的方法中，計算機首先誘導出一個回歸或分類模型，而不考慮實體因果關系。然後，這個模型将對傳入的資料集執行分類等任務。
Part.03
這篇評論中包括的主題:
(a) 基于深度學習（DL）的地球實體學應用;(b) DL在地球實體學中應用的未來趨勢
PART 04
地球實體學中資料驅動的任務執行個體
參考文獻：Yu, S., & Ma, J. (2021). Deep learning for geophysics: Current and future trends. Reviews of Geophysics, 59, e2021RG000742.