XiaoMi-AI文件搜索系统
World File Search System地球科学
识别和分类地球科学领域 AI/ML 中的偏见
过去几年，人工智能 (AI) 和机器学习 (ML) 在地球科学中的应用呈指数级增长。在本文的其余部分，我们将 AI/ML 更笼统地称为 AI。至关重要的是，AI 开发人员必须以合乎道德和负责任的方式创建方法，以免 AI 以可能造成伤害的方式开发和部署。在这项工作中，我们以我们早期的研究 (McGovern 等人，2022) 为基础，该研究展示了 AI 在环境科学和地球科学应用中可能出错的多种方式。在这里，我们特别关注偏见问题，因为它是最近许多关于道德 AI 的工作的关键线索之一（例如，Peng 等人，2021 年；McGovern 等人，2022 年；Balagopalan 等人，2022 年；Almuzaini 等人，2022 年；Buolamwini，2023 年）。偏见被认为是开发合乎道德和负责任的人工智能时必须解决的一个关键问题。它是美国国家标准与技术研究院 (NIST) 在制定可信人工智能标准 (Schwartz 等人，2022 年) 时讨论的关键问题之一，并在新的人工智能行政命令中得到了解决。1 对于地球科学应用而言，考虑偏见相对较新 [参见最近的美国地球物理联盟人工智能指南 (Stall 等人，2023 年)]。有偏见的人工智能模型会以多种方式造成伤害，包括影响人们获得工作、拥有稳定住房等的能力。有关此类影响的示例，请参阅 O'Neil (2016)、Eubanks (2018)、Benjamin (2019) 和 Kantayya (2020)。当带有负面偏见的模型被部署并成为新闻时，它们会削弱公众对人工智能的整体信任。私营企业和政府都已经部署了此类模型。创建和理解值得信赖的人工智能是参与这项工作的每个人的重点，因为他们都是美国国家科学基金会天气、气候和沿海海洋学可信人工智能研究所 (AI2ES) 的成员。我们在这项工作中的总体目标与确保地球科学人工智能值得信赖的目标紧密相关：确保现在开发和部署的模型尽可能没有有害偏见。乍一看，与更广泛的人工智能应用相比，偏见似乎不是地球科学人工智能的问题。最近的研究表明，人工智能可以在气象学、气候、水文学、地震学等各种应用中取得成功
美国国家航空航天局地球科学部的航空科学
o 可以提供全球或近乎全球的覆盖 o 可以获得长时间序列，但这通常需要跨传感器、平台和程序的重叠，因为单个卫星的寿命有限（至少在设计寿命方面） o 一致的方法应该产生可以在全球范围内应用的测量结果（取决于环境的适用性） o 大量资源可以（必须！）投入到校准/验证中 o 由于开放数据政策和对容量和工具的投资，具有全球共享和使用的潜力 o 可能不支持全套所需的观测，但星座可以通过提供协同作用来提供帮助 o 可以支持常规的全球观测，或者可以针对可观测量（取决于传感器、程序等） o 轨道力学限制了观测的灵活性（对于具有窄带宽度的传感器很重要） o 对于低地球轨道卫星，测量频率可能较低；更高的频率需要更高的轨道或星座 o 可以允许垂直剖面（特别是通过使用主动遥感，或边缘剖面/掩星） 机载
igarss 2023-2023 IEEE国际地球科学和遥感研讨会（目录）
版权所有©2023由电气和电子工程师协会。保留所有权利版权和重印许可：允许摘要借助来源。图书馆可以超出美国版权法的限制，以私下使用顾客在本卷中在第一页的底部携带代码的文章，前提有关其他复制，重印或重新出版许可，请写信给IEEE版权所有经理，IEEE服务中心，445 Hoes Lane，Piscataway，NJ 08854。保留所有权利。***这是IEEE数字库中显示的内容的打印表示形式。E-Media版本中固有的某些格式问题也可能出现在此打印版本中。IEEE Catalog Number: CFP23IGA-POD ISBN (Print-On-Demand): 979-8-3503-3174-5 ISBN (Online): 979-8-3503-2010-7 ISSN: 2153-6996 Additional Copies of This Publication Are Available From: Curran Associates, Inc 57 Morehouse Lane Red Hook, NY 12571 USA Phone: （845）758-0400传真：（845）758-2633电子邮件：curran@proceedings.com网站：www.proceedings.com
第 1 页，共 52 页 印度政府地球科学部...
工作职责：被选中的候选人将参与配置、执行和分析气候模型模拟，以及观察分析和开发分析模型来研究气候和季风研究问题。被选中的候选人应有能力开发和维护数据库，在同行评审期刊上发表工作的科学价值，开展与气候研究相关的培训、交流和推广活动。
美国国家航空航天局地球科学部的航空科学
ACTIVATE - 西大西洋上空的气溶胶云气象学相互作用正在研究气溶胶粒子如何改变云的特性，从而影响地球的气候系统。调查重点是北大西洋西部的海洋边界层云。这是一个为期 5 年的项目，从 2019 年 1 月到 2023 年 12 月。
L 波段合成孔径雷达：当前和未来在地球科学中的应用
© 作者 2021。本文根据知识共享署名 4.0 国际许可协议授权，允许以任何媒体或格式使用、共享、改编、分发和复制，只要您给予原作者和来源适当的信任，提供知识共享许可的链接，并指明是否进行了更改。本文中的图像或其他第三方材料包含在文章的知识共享许可中，除非在材料的致谢中另有说明。如果材料未包含在文章的知识共享许可中，并且您的预期用途不被法定法规允许或超出允许用途，则您需要直接从版权所有者处获得许可。要查看此许可证的副本，请访问 http://creativeco mmons.org/licenses/by/4.0/ 。
城市的地球科学文章：交付欧洲的可持续城市未来
1环境科学中心，英国地质调查局，Keyworth NG12 5GG，英国2捷克地质调查局，KLáROV131/3，118-21 Prague，捷克共和国； Jan.jelenek@geology.cz 3丹麦和格陵兰的地质调查局，DK-1350，丹麦哥本哈根； pke@geus.dk 4意大利意大利环境保护与研究研究所，意大利地质调查局，通过意大利罗马罗马市60-00144的Vitaliano Brancati； francesco.lavigna@isprambiente.it 5爱尔兰地质调查局，Booterstown Hall，Booterstown，Booterstown，Blackrock，A94 N2R6 Dublin，Dublin； sophie.oconnor@gsi.ie 6波兰地质研究所-National Institute Institute，4，波兰00-975 Rakowiecka Street，波兰； gryz@pgi.gov.pl 7 Lyell Center，英国地质调查局，爱丁堡EH14 4AP，英国； msmi@bgs.ac.uk 8荷兰地质调查局，荷兰普林斯顿州6，3584 CB UTRECHT； jeroen.schokker@tno.nl 9地球科学系，科学系，Vrije Universiteit Amsterdam，de Boelelaan 1085，1081 HV Amsterdam，荷兰10挪威地质调查局，挪威地质调查局，P.B。6315 Torgarden，7491 Trondheim，挪威； guri.venvik@ngu.no *通信：step@bgs.ac.uk
地球科学教育在可持续能源增长、发展和培训中的应用：简要回顾
地球科学教育不仅仅关乎现在，还关乎创造一个可持续的未来。将可再生、可持续和清洁能源充分融入我们的经济、环境和社会能力的紧迫性至关重要。地球科学部门在促进可持续能源的实施及其发展方面发挥了主导作用。本文基于案头研究和文献综述，试图解决能源储存和分配的地球科学原理、节能技术和可持续能源实践、实施能源政策以执行可持续能源实践以及可持续能源增长和发展的实际案例研究、遇到的挑战以及地球科学对可持续能源的承诺的新趋势。它特别强调了地球科学教育在应对 21 世纪复杂能源挑战方面的重要性，并强调了其在塑造未来方面的实际应用和作用。它还强调了地球科学为子孙后代创造可持续未来的潜力，并激发了人们对其在我们世界中发挥作用的希望和灵感。
请求论文IEEE地球科学和遥感杂志“遥感中的视觉语言模型”
Guest Editors Xiang Li, King Abdullah University of Science and Technology (xiangli92@ieee.org) Xiao Xiang Zhu, Technical University of Munich (xiaoxiang.zhu@tum.de) Gui-Song Xia, Wuhan University (guisong.xia@whu.edu.cn) Sherrie Wang, Massachusetts Institute of Technology （sherwang@mit.edu）武汉大学（balz@whu.edu.cn）蒂莫·巴尔兹（Timo Balz），阿卜杜拉国王科学技术大学（Mohamed.elhaseiny@kaust.edu.sa）Mohamed Elhoseiny，远程传感的视觉语言模型（VLMS）。vlms代表了计算机视觉和自然语言处理技术的开创性整合，旨在通过对视觉和文本信息的更细微的理解来增强与RS数据的解释和互动。通过弥合视觉识别和语义理解之间的差距，VLM提供了一个全面的框架，通过实现复杂的语义分析和自然语言描述功能，超越了传统的视觉任务。更重要的是，通过将视觉模型与LLM相结合，VLM可以利用验证的LLMS中的先验知识来解决复杂的推理任务。
