地球科学作为一个高度跨学科的领域，正在经历一场由 AI 引领的重大变革。回顾 2024 年，研究人员在智慧城市建设、房价预测、海洋生态建模、地面沉降预测、洪水预测、山体滑坡预测、矿物预测等方面取得了一系列突破性成果。这些研究不仅展现了 AI 在处理复杂地球系统问题中的强大潜力，也为全球可持续发展提供了创新性解决方案。
本期文章，HyperAI超神经聚焦 AI 在地球科学领域的研究，为大家精选了 2023—2024 年期间解读的 15 篇前沿论文，点击下方论文题目或中文解读，即可跳转论文解读页面，深入了解 AI 如何驱动地球科学的未来发展。
开源项目「awesome-ai4s」汇集了百余篇 AI4S 论文解读，并提供海量数据集与工具：
https://github.com/hyperai/awesome-ai4s
中文解读：精准预测武汉房价！浙大GIS实验室提出osp-GNNWR模型：准确描述复杂空间过程和地理现象
研究内容：浙江大学 GIS 重点实验室通过引入优化的空间邻近度指标并将其融入神经网络架构，提升了模型对房价预测的准确性。
02、论文题目：OceanGPT: A Large Language Model for Ocean Science Tasks, 2024.05
中文解读：入选ACL 2024！浙大推出首个海洋大语言模型OceanGPT，水下具身智能成现实
研究内容：浙江大学团队提出首个海洋领域大语言模型 OceanGPT，该模型可根据海洋学家的指令回答问题，在各种海洋科学任务中表现出较高的专业知识，还在海洋工程方面获得了初步具身智能能力。
03、论文题目：Machine learning-based techniques for land subsidence simulation in an urban area, 2024.02
中文解读：警惕城市「慢性病」：中南大学柳建新教授团队，用 AI 预测未来 40 年的地面沉降风险
研究内容：中南大学柳建新教授团队，联合广东省地质环境监测总站、广东省第四地质大队、科特迪瓦博瓦尼大学，使用极端梯度提升回归与长短期记忆网络，建立了地面沉降智能化预测模型。
中文解读：迁移学习帮大忙！成都理工大学搭建 SCDUNet++ 模型进行滑坡测绘
研究内容：成都理工大学的研究人员提出了一个名为 SCDUNet++ 的语义分割模型，结合卷积神经网络和 Transformer 的优势，有效开展滑坡测绘工作。
05、论文题目：Landslide susceptibility modeling by interpretable neural network, 2023.05
中文解读：变透明的黑匣子：UCLA 开发可解释神经网络 SNN 预测山体滑坡
研究内容：加利福尼亚大学洛杉矶分校的研究人员开发了一种可叠加神经网络 (SNN)，能更好地分析自然灾害中的影响因素，进一步提高了滑坡风险的预测能力。
06、论文题目：Global prediction of extreme floods in ungauged watersheds, 2024.03
中文解读：击败全球 No.1 系统、覆盖 80+ 国家，谷歌洪水预测模型再登 Nature
研究内容：Google Research 团队开发了一个基于机器学习的河流预报模型，该模型能够提前 5 天实现对洪水的可靠预测，在对 5 年一遇的洪水事件进行预测时，性能优于或相当于目前预测 1 年一遇的洪水事件，系统可覆盖 80 多个国家。
中文解读：深度学习对抗海洋赤潮危机！浙大GIS实验室提出ChloroFormer模型，可提前预警海洋藻类爆发
研究内容：浙江大学 GIS 实验室的研究人员提出了一种全新的深度学习预测模型 ChloroFormer，该模型可以有效预测海洋有害藻华中的叶绿素 a 浓度，为藻华预警提供重要信息。
中文解读：优于五大先进模型，浙江大学杜震洪团队提出 GNNWLR 模型：提升成矿预测准确性
研究内容：浙江大学的研究团队提出了一种新的地理空间人工智能方法——地理神经网络加权逻辑回归 (GNNWLR)，该模型不但能够大幅提升矿物预测的准确性，并且能够在复杂的空间场景中提升矿物预测的可解释性。
09、论文题目：Implicit learning of convective organization explains precipitation stochasticity, 2023.05
中文解读：准确预测极端降水，哥伦比亚大学推出升级版神经网络 Org-NN
研究内容：哥伦比亚大学 LEAP 实验室使用全球风暴解析模拟与机器学习，创建了一种新的算法，解决了信息缺失的问题，提供了一种更精确的极端降水预测方法。
10、论文题目：Deep learning for cross-region streamflow and flood forecasting at a global scale, 2024.05
中文解读：分析训练全球 2k+ 水文站数据，中科院团队发布 ED-DLSTM，实现无监测数据地区洪水预测
研究内容：中国科学院成都山地灾害与环境研究所团队，提出了一种全新的基于 AI 的径流洪水预测模型 ED-DLSTM，以解决全球范围内有监测数据流域和无监测数据流域径流预测问题。
中文解读：AI 立大功！神经网络对太阳图像进行三维重建，首次揭示太阳极点
研究内容：科罗拉多州国家大气研究中心 (NCAR) 的研究人员利用 NeRFs 神经网络，将太阳的二维图像转换成三维重建图像，首次揭示了太阳的两极。
12、论文题目：Spatial planningofurban communities via deepreinforcementlearning, 2023.09
中文解读：击败 8 名人类规划师：清华团队提出强化学习的城市空间规划模型
研究内容：清华大学研究团队提出了强化学习的城市社区空间规划模型与方法，并实现了人类规划师与人工智能算法协作的城市规划流程，为智能城市的自动化规划提供了全新思路。
中文解读：科罗拉多州立大学发布 CSU-MLP 模型，用随机森林算法预测中期恶劣天气
研究内容：来自美国科罗拉多州立大学与 SPC 的相关学者联合发布了一个基于随机森林的机器学习模型 CSU-MLP，该模型能够对中期 (4-8天) 范围内恶劣天气进行准确预报。
14、论文题目：Social Physics Informed Diffusion Model for Crowd Simulation, 2024.02
中文解读：仅需 5% 训练样本达到最优性能，清华大学研究团队发布条件去噪扩散模型 SPDiff，实现长程人流移动模拟
研究内容：清华大学研究团队提出了一种条件去噪扩散模型 SPDiff，能够有效地利用交互动力学，通过社会力引导的扩散过程来模拟人群行为。
15、论文题目：Spatio-Temporal Few-Shot Learning via Diffusive Neural Network Generation, 2024.04
中文解读：基于 7 大城市实景数据，清华大学团队开源 GPD 模型
研究内容：清华大学电子工程系城市科学与计算研究中心提出 GPD 模型，利用扩散模型生成神经网络参数，将时空少样本学习转变为扩散模型的预训练问题。
**粗体** _斜体_ [链接](http://example.com) `代码` - 列表 > 引用。你还可以使用@来通知其他用户。