AGU 2021：機器學習在地科界有多潮

Photo by Tim Gouw on Unsplash

雖然實體的 AGU 2021 年年會已在十二月結束，但所有與會者都可以在今年 2 月 28 日前上網存取所有會議的海報、演講與其他紀錄。在還可以看得到這些內容的最後幾天，我總算是勉強擠出了一點時間搜尋一下我感興趣的科學新知。

前情提要：

AGU 2021：大一時有新生訓練，公司新人有教育訓練，那研究生呢？

AGU 2021：第一次實體與線上同時舉行的地科盛會，感覺如何？

當我人還在會場時就有這種感覺：今年有好多海報都打著機器學習（Machine Learning）的招牌！回來後一搜還真的超多。舉例來說，用「ice sheet」當關鍵字（冰蓋）來搜尋大會的內容有 209 筆資料，用「geology」（地質）來搜尋則有 311 筆資料，但是用「machine learning」搜尋卻有超過 500 筆資料！而且因為搜尋頁面最多只能顯示 500 筆，我其實不知道實際上有多少！

想想看這是地科專業的會議場子，然後熱門關鍵字被一個統計名詞佔領了。而且我還沒有算上關鍵字的其他變體或姊妹詞，像是 statistical learning、deep learning、AI、data-driven、neural network…。地科人阿，去當統計學家吧。

為了進一步證明機器學習現在在地科界有多潮，現在我們就來看看到底有哪些研究領域用到了這個工具：

• 不知為何，水文學相關的研究佔了搜尋結果的最大部分，像是這篇跟河流水質有關的研究 Investigating the Impacts of Climate-driven Disturbances on River Water Quality using Machine Learning and Statistical Modeling Approaches
• 全球環境與氣候變遷的主題佔比也不遑多讓，猜測原因跟全球尺度的大數據分析有關。例如這個預測紅潮的研究 Machine learning for red tide prediction in the Gulf of Mexico along the West Florida Shelf
• 再來就是大氣科學，原因應該也是大尺度的數據分析。這裡有一個預測 PM2.5 的研究：Machine Learning Algorithm for Estimating Surface PM2.5 in Thailand
• 也有很多運用在地震學方面的研究，例如這是利用機器學習來挑地震波波相的眾多研究報告之一 Building New Earthquake Catalogs Using Machine Learning-based Seismic Phase Picking Algorithms in Northern California
• 生物地球科學是另外一個使用機器學習的熱點。像是這篇有關一種鱒魚作為侵略物種的空間風險分析 Aquatic Invasive Species Target Screening: A Case Study using Machine Learning Species Distribution Models on an Invasive Trout
• 雖然我涉獵不深，但是如果你對非線性系統有興趣的話，機器學習看起來也是很流行的必備技能。例如這篇探討地球磁層訊號（太空天氣）的報告：Automated Extraction of Magnetospheric Signals using Machine Learning
• 利用機器學習來預報自然災害會在哪裡出現，真的很潮。這篇是有關於野火的研究：A Machine Learning Approach for Assessing Wildfire Vulnerability in the Colorado River Basin
• 冰雪圈的研究也是很需要機器學習來分析大尺度的資料，例如南極冰棚的融冰速率 Antarctic ice shelf surface melt rates derived from observational data and machine learning
• 火山學也是有不少使用機器學習的研究亮點，可以做火山噴發的預報！Generalized forecasting model for volcano eruptions using transfer machine learning
• 在地表作用與地形學的領域，水的濁度可以使用遙測影像和統計方法進行分析…Development of a Landsat reflectance–Turbidity model using watershed hydrological connectivity and machine learning for understanding the propagation of fluvial sediment pulses
• 行星科學呢？當然沒問題，可以用機器學習來分析太空船收到的影像，例如歐羅巴的表面：Using Machine Learning to Detect Chaos Terrain on Europa
• 這麼重要的統計工具，一定是可以在測地學相關的研究中看到他的身影。這裡有個利用衛星測距儀測量淺海水深的研究 Evaluating Multilinear and Machine Learning Regression Methods for Satellite-derived Bathymetry Mapping Using ICESat-2 and Sentinel-2 Data on Google Earth Engine
• 岩礦學感覺不是機器學習使得上很多力的領域，不過還是有部分的主題用得上。例如用來算液態矽酸鹽的熱傳導率（以了解地球內部的物理性質）： Thermal conductivity of silicate liquid determined by machine learning potentials
• 同樣地，在古氣候／古海洋學的研究領域，機器學習看似還沒有那麼盛行，但已經有人開始探索這個工具。像是自動分析沉積物與沉積相的研究 Applying a Machine Learning Approach to Sediment-Facies Classification of Coastal Sediments from Northern Germany

洋洋灑灑列出了這麼多，不難看出地科界真的很仰賴機器學習算法分析與尋找資料中隱藏的現象。不過仔細一看，雖然這些研究都打著機器學習的招牌，但實際上用到的統計算法／模型是天差地遠…

我能理解把「機器學習」寫到研究標題或摘要裡面是很酷的一件事，我也想這麼做，應該可以讓人覺得好像是個很厲害的研究！不過當地科人對於這個名詞有不同的理解時，使用「機器學習」說不定會讓人無法在第一時間內理解這個研究。總覺得這是足夠讓我再寫一篇文章的內容，因此我們下次再聊！