深度学习作为机器学习的重要分支，主要通过构建深层神经网络模型，模拟人脑神经元间的连接和信息传递方式，进而实现大规模数据的处理。其与传统机器学习方法不一样，需要人工干预的步骤更少
[1]，例如，并不需要人为干预进行特征计算就能进行信息挖掘和表达。得益于计算机技术的进步，深度学习近年来取得了巨大的成功，并在诸多领域展现出强大的学习拟合能力，如计算机视觉、自然语言处理等
[1]。回顾近10年深度学习在地学领域的发展，其率先被用作遥感图像处理
[2]，这主要是因为相对地学领域的其他分支（例如，自然和人文），遥感对新技术更加敏感。因此，我们早在2019年就发表了“Deep Learning in Remote Sensing Applications: A Meta-Analysis and Review”一文。随着深度学习在遥感领域的发展，其也逐渐受到自然和人文领域的关注
[3]，并成为地球科学系统建模的前沿方法
[4,5]。
由于地学领域的自然和人文包含的研究方向十分广泛，若要进行综合检索并了解深度学习在各子领域的应用现状并不容易。因此，为了解深度学习在地学领域的最新进展，我们选择各领域代表性的方向，基于Web of Science数据库分别检索了遥感、气象、人口领域的深度学习发文情况，以期一定程度上展示深度学习在信息、自然、人文等地理学子领域的研究现状。检索词为 [“deep learning” AND “remote sensing”]、[“deep learning” AND “meteorology”]、[“deep learning” AND “population”]，并按地理学（Geography）研究领域细化（Refine by Research Areas），以获取三个领域的年发文量数据（
图1）。能够发现，遥感领域的相关论文出现较早（2015年），气象和人口领域均是在2017年才有深度学习相关的应用文献发表，各领域发文量均呈现持续增长趋势。毫无疑问，遥感领域的研究最多也最早，这也符合我们前述关于遥感对前沿技术更加敏感的判断；同时，人口领域的研究相对气象领域的研究较少，这也符合地理学当前的现状，即关注自然现象相比人文现象更多。然而，对于三个领域，2022年均出现论文量增长异常的情况，我们认为，这可能是由于2021年ChatGPT的发布带来的一次人工智能关注热潮所致。
然而，深度学习在地球系统科学中也面临诸多挑战，例如，可解释性、标签有限性、物理一致性、计算需求、数据复杂性和不确定性等
[6]。其中，我们认为可解释性与标签有限性是地学领域最应该关注的问题。对于可解释性，地学领域的研究多是围绕认知地理现象的机制机理展开，其某种意义上就是地学研究的任务之一，因此，这是不应回避的问题；对于标签有限性，遥感领域普遍已意识到这个问题，例如，针对不同任务已经构建了各种样本数据库
[7⇓-9]，因为其相对自然和人文更加容易从高分影像中获取样本数据。但是，在自然和人文领域，由于获取数据更加困难，似乎还没有足够重视样本可获取性的问题，而热衷于解决可解释性问题
[10,11]，当然，这是完全能够理解的，因为可解释性（机理研究）是传统地学领域的重要任务之一。尽管如此，大数据技术的发展为地学研究提供了获取更加丰富的地球科学系统相关数据的机会
[12]。因此，我们认为，针对自然和人文领域，可以更多依靠各种大数据获取手段，并辅以多源异构大数据融合方案，充分发挥观测网络、物联网、社会感知等数据的可获取性优势，解决标签有限性（样本获取困难）问题，从而更好地促进深度学习技术在地学领域的发展。
PDF
(1225KB)
