- 862
在观测地球系统时，科研人员正日益借助人工智能技术。例如，通过这种方式可以更精确地预测天气，或对洪水等自然灾害发出预警。然而，对于大多数人工智能模型而言，我们的地球及其运行过程过于复杂——尤其是在当前气候变化导致环境急速变迁的背景下。
持续变化环境下的可靠性保障
为此，耶拿弗里德里希·席勒大学、耶拿大学医院、耶拿马克斯·普朗克生物地球化学研究所及耶拿森肯堡植物多样性研究所的研究团队，计划开发能在持续变化环境中稳定运行的人工智能模型。据卡尔·蔡司基金会最新公告，其资助计划"CZS突破性项目"将在五年内为"非稳态环境体系中人工智能泛化能力研究：以水文气候极端事件为例（GENAI-X）"项目提供总计约600万欧元支持。该项目源自耶拿ELLIS研究单元，隶属于欧洲人工智能卓越网络"欧洲学习与智能系统实验室"。
聚焦水文气候极端事件
耶拿研究团队将融合两大研究方向：一方面从基础层面推进人工智能方法创新，使其能适应复杂多变的环境系统；另一方面在实践环境研究中验证新模型——特别是在洪水、干旱或山体滑坡等水文气候极端事件的背景下。
人工智能系统的泛化能力
项目协调人亚历山大·布伦宁教授指出："与多数应用领域不同，此类人工智能模型不应仅依赖历史事件数据，还需考量时空维度上的条件变化与作用机制。这种泛化能力有助于开发不受特定地域或时间限制的模型。"例如，借助该技术可通过数据更完备地区的类似事件预测某区域山体滑坡风险，或是在评估滑坡危险时不仅参考历史局部条件，还能纳入土地利用变化、强降雨频率强度改变等动态环境因素。
环境过程与人工智能的融合
这支由地球科学家与计算机专家组成的团队采用混合建模方法。耶拿地理信息学家解释道："我们将人工智能与物理、水文或生态规律相结合。当前人工智能虽能识别模式，却无法理解内在机理，在数据稀缺或条件变化时可靠性不足。物理模型依赖大量通常不完整的参数，限制了预测能力。二者结合既能为人智能计算提供物理约束，又能填补物理模型的参数空白。"
因果关系的推导
因果人工智能模型同样前景广阔，其不仅能解读数据统计关联，还可推导因果关系。研究者通过建立变量关系（如干旱对生态系统的影响），用数学规则描述这些关联，从而获得更可靠的结果预测。符号回归的"数学关系发现"功能也沿此路径，致力于将隐藏关系转化为易解读验证的明确公式。
关键要素的提炼
项目还引入维度缩减技术，使人工智能能从卫星影像、植物生长实地观测、传感器数据等多层数据集中，提炼出特定问题的决定性因素。
优化预警系统
耶拿团队与德国综合生物多样性研究中心、欧洲中期天气预报中心、奥地利地球球体研究所等学术及实践机构紧密合作。这种协作网络既有助于开展应用导向的模型测试，也能产生超越项目本身的辐射效应。通过该研究，团队将助力开发更精准的灾害预警系统，而新人工智能技术对风险源的早期识别能力，可为及时采取防护措施创造条件——例如通过针对性造林预防山体滑坡灾害。
本资讯是由“中欧世界展会网”工作人员翻译整理，我们一家汇集全球展会时间地点资讯的服务平台，为客户提供：展位预定，参观服务，设计搭建等服务，欢迎您的来电：400-837-8606 （24小时）接听！