人工智能生态环境预测
白莹
摘要：人工智能技术作为产业革新的重要手段，将其应用至生态领域是一种必然趋势。基于大数据作为人工智能技术发展依据，分析了人工智能在生态保护、修复、灾害防治和生态管理方面的应用。分别将智能机器人、知识图谱、大数据技术、通信技术、互联网和虚拟现实技术等应用于生态领域，实现人工智能与生态治理结合运作。
关键词：人工智能；生态领域
中图分类号：S-3文献标识码：A
DOI：10.19754/j.nyyjs.20190530008
1人工智能在生态领域的应用
人工智能在各个领域的应用十分活跃，尤其是生态领域，人工智能在生态领域中的应用体系十分庞大，内容同样极为丰富。在此，以人工智能在生态保护、修复、灾害防治和生态管理方面的体现分析，完成人工智能在生态领域的应用研究。
1.1人工智能的应用依据
人工智能运作原理复杂，需要大数据作为支撑来维持其运转，即大数据是人工智能的依据。和以往的数据分析技术比较，人工智能技术主要依据为神经网络，并引申出多层神经网络，以此能够实现深度机器学习。其与传统算法相比，该算法没有多余假设，完全通过输入数据实现数据自主模拟并构建相应模型结构。
1.2生态保护领域应用
在党中央领导下，目前国内的生态环境保护工作已经取得了很大突破，信息时代迅猛发展及信息技术快速更迭，使得生态环境保护面临着巨大的挑战。鉴于现状，必须加快落实人工智能和生态发展有机结合，并充分利用人工智能相关技术，分别在森林、草原、湿地、荒漠及生物多样性等各方面领域构建并完善生态环境保护应用系统，以此实现生态环境保护的智能化，构成生态保护
人工智能对地球环境科学的推进
投稿@2019.02.20,21:47人工智能对地球环境科学的推进译者：沿边杀手居的小蛇原文：https://www.sciencedaily.com/releases/2019/02/190214115551.htm
(图解：气候引发的二氧化碳变化：这些不同的颜色表现了在厄尔尼诺现象发生的年份二氧化碳的异常变化。数据来自于通量观测网(FLUXNET)并经过人工智能优化。其中红色为辐射异常，绿色为温度异常，蓝色为水质异常。)
一项德国耶拿[1]和汉堡[2]科学家在《自然》杂志发起的研究表明，人工智能可以有效地推进我们对于地球气候系统的理解。特别是在当前深度学习的潜力还未被完全开发的情况下。在人工智能的帮助下一些复杂的动态环境，如飓风，森林火灾，植被生长能够被更好的研究和解释。作为结果，在使用人工智能的情况下地球气候系统模型会得到进一步的提升，再与物理模型相结合。
在过去数十年里大部分统计资料的处理是通过机器学习，例如本地与全球的土壤性质与分布。而近段时间，通过使用更复杂的深度学习技术，我们可以更加动态的处理这些数据。例如，这允许我们在考虑季节和短期变化的情况下，量化全球陆地上的光合作用。
从数据到规律
MarkusReichstein说“大量的传感器已经帮我们接收到了大量的地球环境系统数据，但到目前为止，我们在分析和解释数据方面一直有所欠缺”。生物地球化学研究所的常务董事同样也是该书的第一作者，MaxPlanck说”这使得深度学习技术成为一种具有巨大潜力的的工具，超越了传统的机器学习应用，如图像识别、自然语言处理或alphago下棋机器人“。
来自弗里德里希席勒大学(FSU)计算机视觉小组的合著者JoachimDenzler和MSCJ(Michael-Stifel-CenterJena)的成员补充说在极端事件下，分析这些问题的过程非常复杂，不光受当地条件的影响，也受其时空背景的影响，如火灾蔓延或飓风。这也适用于大气和海洋运输、地质活动和植被动力学等一些地球系统科学的经典课题。
人工智能改善气候和地球系统模型
然而深度学习的方法是非常困难的，在数据质量参差不齐的情况下，所有依靠数据和统计驱动的分析方法很难保证自身的一致性，并且有可能遇到推广方面的困难。此外，该方法对于数据处理和存储容量也有很高的要求。本文讨论了所有这些技术障碍并且并制定了一个策略可以将机器学习与物理建模有效的相结合。
当这两种技术结合在一起，我们就创建了所谓的混合模型。它们可以通过模拟海水的运动来预测海面温度。当对温度进行物理模拟时，海水的运动由机器学习方法表示。MarkusReichstei说”这个新型模型融合了两个模型中的优点，即物理模型的一致性和机器学习的多功能性".
科学家们认为，对极端事件的探测和预警，以及对天气和气候的季节性和长期预测和预测，都将从所讨论的深度学习和混合建模方法中获益匪浅。
文章来源：弗里德里希席勒大学(FSU)提供的材料周刊引用：MarkusReichstein,GustauCamps-Valls,BjornStevens,MartinJung,JoachimDenzler,NunoCarvalhais,Prabhat.Deeplearningandprocessunderstandingfordata-drivenEarthsystemscience.Nature,2019;566(7743):195DOI:10.1038/s41586-019-0912-1
译者注：[1]、[2]为德国地名
支付宝打赏[x]赞一个(5)科学网—谈人工智能10：与环境交互
谈人工智能10：与环境交互精选已有5526次阅读2021-9-1112:43|系统分类:教学心得
学：学生，教：教师，李：李晓榕
李：在信息处理的关键核心方面，人类智能大多有赖于因地制宜、因势利导、通权达变、平衡多方面考虑的中庸中和之道，而迄今人工智能的基础是：①逻辑的符号演算，②基于知识的应对规则，③基于培训的目标优化。它们都明显比人类智能粗陋逊色得多。另一方面，真正的智能在作用机理上离不开至少三大部分：①与内外环境密切交互，②内部的大量圈环作用，③大量的组成单元。对于由简单单元组成的系统，更是如此。智能学的一大关注对象“集群智能”往往特别强调第三部分，不大重视第二部分，忽视第一部分。虽然比老牌AI有所改进，深度学习对前两部分总体上仍然重视不够，特别是第一部分。
教：您说智能要求与外界密切交互，关于这一点，您能不能展开再多说说？
李：这有多个方面。比如，在智能中起关键作用的意识，就离不开与外界互动的高度发展。尽管西方自笛卡尔以来流行心身二分，但是新进发展起来的身体认知理论认为，一个人的思想认识还有赖于其身体，不能脱离自身身体而完成，即一个人的认知还有赖于其身体与外部世界的交互。更有甚者，近来的研究发现：人体内的巨量微生物菌群和寄生物，不仅给人带来海量外源基因，而且会深刻影响人的情绪、状态、个性乃至认知和“自由”意志等高级精神活动。
人们往往强调人工智能产品有如下普适的可传递性：一旦用某个算法B的某台机器A能胜任一项任务，那么内含算法B的其他机器也都胜任这一任务。严格地说，事实并非如此，它至少有两大陷阱：①即便环境毫无改变，也只有A的精确而完全的复制品才能保证也胜任。只是内含或利用算法B（比如B作为更大算法的一部分），并无这一保证。
教：可是，内含算法B的其他机器也都胜任这一任务，这有不少例子。
李：那是因为那些任务都不够复杂，对“智”的要求低，无需与环境密切交互。只要任务足够复杂，我说的这些问题就会出现。②更重要的是，如果环境不同，或者完成任务有赖于与环境密切交互，因而所需之解并非“共解”，那么就连完全彻底的复制品也未必能胜任这一任务，除非它总能正确妥善地与环境密切交互而完成任务。而这种能力需要较高等的智慧，很难获得，也难以传递或移植。所需的交互越密切，就越如此。极端地说，在传递或移植中无法保留的，正是智慧的核心；越具有可传递性、可移植性，就越是共解部分，也就越无真正高级的智能。
学：什么是“共解”？
李：简单地说，共解是只适用于一类问题共同部分（共性）的解。比如，在比较两种职业好坏时只比较其薪酬高低，所得的解就是这类问题的一种共解。殊解针对一个特殊问题，充分考虑其特殊性。早先在谈科研治学时详细讨论过。对上述例子，就应考虑职业的诸多方面。对人工智能而言，殊解比相应的共解更难得多，对人类则未必如此。问题越复杂，殊解与共解的差别就越大，人工智能就越难得到殊解。
深度学习网络在完成任务时无法与所在的环境密切交互。它利用事先获取的大数据针对任务靠培训来“一揽子”地适应大数据所反映的各种情境，其数学实质更像函数拟合，进而插值：靠大数据训练来拟合以确定插值模型，当前数据确定插值点，得到插值结果，而不改变插值模型。这有不少缺陷和局限，上面已经说了一些，还有不少。比如，①内插的效果也许好，外推则不然，所以要求训练数据集尽可能完备无偏地“覆盖”所有可能的情境。②一旦插值问题有所改变，例如输入类型或个数有所改变，就得重新强化培训，因为网络结构变了。基于深度学习的自动驾驶技术就有这种尴尬，它每次调整传感器的种类或个数后就得重新学习（之前所学的都无法直接用了）。这与人类学习大相径庭，也给实际应用带来极大不便。
由上可见，深度学习的机理框架更适于得到“共解”，因为训练所用的大数据来自种类繁多的场景、情况各异的情境，而不是当前任务的特殊环境。只有能与当前环境密切交互，才能得到这一环境下复杂问题的“殊解”。我历来强调“殊胜于共”：一个好的“殊解”优于只顾一类问题共性的“共解”。
在本系列前面说过：一个好公式、程式、程序能解决多个不同的问题，但难以解决不同类型的问题；一种好方法能根据不同问题的特性，得出不同的程式，解决大量不同类型的问题；程式有按部就班的本质，而方法更重变通、因地制宜，虽然它仍有统一的指导方针。所以，多个问题的统一程式解只能是一种“共解”，而针对具体问题的特殊性所得的非程式化之解才是“殊解”。不同的殊解有可能是同一方法所得，但不会是同一程式所得。
教：怎么做，才算是与环境密切交互？
李：不该只被动地利用数据，至少要积极主动地谋求与环境“对话”，有来有往。比如不断地向环境发问、刺激环境，看其答复和反应，再相应行动，进一步刺激和发问，就像主动实验而不是被动观测一样。还要更进一步，不仅因地制宜，还要因势利导，促使环境改变。关键是，环境不同，解法也就不同。
教：您是说，殊解是适应环境的？
李：殊解不仅仅被动地适应环境，还可能积极主动地促使环境朝着有利的方向变化。大量复杂问题（比如社会问题、环保问题）的良好解决都应该是这种主动促使环境变化的殊解。
学：李老师能不能举一个具体例子说明上面所说的这些？
李：好的。某人由于未知原因，站在一栋高楼楼顶，正想要跳楼自杀，我们的任务是劝她不要跳。考虑一个机器人，针对这种任务做了大数据深度学习，所用的大数据包括有史以来所有相关情形的全部数据（情形描述、当时的对话及各种交流、劝说结果、事后的分析，等等）。你说这个机器人能很好地完成任务吗？
教：当然不能。
李：为什么？要知道，这个机器人学习了以往类似情形的全部信息。
教：因为劝说者必须跟她交流沟通，随机应变，对症下药，比如充分利用亲情，真正打动她，而这是非常微妙的。最好能洞察人心、将心比心，这是极其高超的智慧，机器人做不到，至少深度学习做不到。以往类似情形的信息对成功劝说虽然有帮助，但是很有限，还远远不如对她了解深刻更有用，比如是她的闺蜜。
李：这儿，交流沟通、见机行事、将心比心、对症下药就属于我说的与环境密切交互。这种任务需要殊解，即针对所面临的特定问题求解。针对这类问题共性的共解在此效果不会好。求取这类殊解的能力，一般更是“技艺”或“艺”，而不是“技术”或“术”。后者一般更适于通用的共解，而前者强调其因地制宜的内涵，更适于殊解。
学：对于这种任务，情商高恐怕比智商高还重要。
李：我看也是。这个例子旨在说明与环境密切交互的重要性，以及共解和殊解的不同。
正在出的博文系列：
与师生谈人工智能：
1.智乎哉？ 2.奢求精确之误 3.精确定义之病 4.图灵测试 5.强人工智能
6.能而欠智 7.深度学习的短板 8.深度学习对老牌AI 9.深度学习的实质 10.与外界交互
与师生谈现代化之弊
1：崛起的代价 2：发展必好无疑？ 3：发展的恶果 4：科技进步果真进步？ 5：科技的罪责
6：开发进步善哉恶哉？7：现代化恶果之因 8：现代化恶果之因2 9：资本主义与个人主义 10：资本主义的修正与回潮
11：全球化的好歹 12：全球化的好歹 13：西化、现代化、全球化 14：现代化的本质 15：文化全球化？
16：妈的奶贼腥 17：多元优越 18：四大主义 19：“化私为公”的隐形手 20： 进步的魔咒
21：进步的陷阱 22：进步的后果 23.成功的反噬 24：进步的残酷 25: 进步到恶神末日
26：自造成恶神
与师生漫谈科研文化
1：我有科研之才吗？ 2：我该做科研吗？ 3：逻辑推理的作用 4：人生价值 5：生命的延续
已出博文系列：
与师生谈科学之弊
1：线式因果思维1 2：线式因果思维2 3：线式因果思维3 4：螺环之奇妙 5：幻化的因果
6：不牢靠的因果推理 7：分析还原病 8：还原论教条 9：基因未必基因 10：割根裂本
11：强拆硬分 12：科学的领地 13：科学的致命伤 14：科学的致命伤2 15：逻辑之可错
16：逻辑可错之源 17：“脚踏实地”的逻辑？18：逻辑：真理焉？宗教焉？ 19：想不清原理 20：想不清原理2
21：逻辑教的改革 22：逻辑教的改革2 23：精确性的终结 24：科学哲学 25：务外逐物
26：科学六弊 27：科学之弊总结
与师生谈科研选题：1：科研的战略、战术和战斗力 2：选题三准则：趋喜避厌 3：选题三准则：如何培养兴趣 4：选题三准则：择重舍轻，扬长避短
5：得题之关键 6：如何应对新潮 7：选题四建议 8：总结：选题好比找对象
与师生谈研究策略：
1：科研四要素 2：突出重围的法 3：人人信之而善忘的黄金法则 4：孤胆方是英雄，独创才有真才 5：大道至简，科学之魄
6：弃繁就简 7：以特制胜 8：综括 9：反行众道，改形换状 10：迷雾中的灯
11：技穷时的上策 12：驾驭时间之术1 13：驾驭时间之术2 14：保质增产之法 15：类比、联想、猜测、推证
16：评估 17：总结与回顾
与师生谈学习门径：
1：广度与深度 2：增加深度的窍门1 3：增加深度的窍门2 4：增加深度的窍门3 5：增加深度的窍门4
6：增加深度的窍门5 7：增加深度的窍门6 8：如何培养直觉和想象力？ 9：基础不好，死路一条？10：阅读策略1
11：阅读策略2 12：博览之术 13：增强记忆1 14：增强记忆2 15：如何听讲
16：最佳捷径
与师生谈科研输出：
1：论文写作五要点 2：论文的结构、条理和语言 3：标题、摘要、引言、结论 4：作学术报告四建议 5：与编审人员打交道
与师生谈科研道德：
1：何谓弄虚作假 2：何谓剽窃？ 3：何谓自我剽窃？ 4：版权
5：谁该当作者？ 6：署名顺序怎么定？ 7：其他学术不当行为 8：总结
https://blog.sciencenet.cn/blog-687793-1303083.html上一篇：谈人工智能9：深度学习的实质下一篇：谈人工智能11：环境之复杂收藏IP:68.11.61.*|热度|