地球表层系统建模对地理环境与现象进行概念抽象、机理建模和规律分析，可以反演过去、模拟过程、解释规律、预测未来，是探索地表复杂过程、人地耦合关系的重要研究方法。在地理大数据、高性能计算等新时代技术的支持下，智能学习算法（特别是深度学习）具备的数据驱动优势有希望进一步提升对复杂地表过程的建模与模拟能力。

近期，南京师范大学闾国年教授、陈旻教授领衔的开放式地理建模与模拟（OpenGMS）研究团队联合可持续发展大数据国际研究中心、香港中文大学、香港科技大学、南京大学、兰州大学、中国地质大学（北京）、江西师范大学以及美国、英国、德国、丹麦、澳大利亚、新加坡等国际研究学者，在《Nature Reviews Earth & Environment》（影响因子为42.1）上以“Iterative Integration of Deep Learning in Hybrid Earth Surface System Modelling”为题系统地总结了地球表层系统建模集成智能学习方法的研究进展。不同于以往基于模型模块层面的集成研究，文章更强调在完整建模生命周期流程中发挥两类模型的优势与特色，提出了人机迭代交互与优化的智能化建模途径。

文章关注于地球表层系统建模研究领域，指出了在大数据时代下该研究领域在问题理解、数据处理、模拟精度以及计算效率方面存在理论和技术瓶颈，并阐述了以深度学习为代表的智能学习方法所带来的机遇，例如多模态数据处理、自适应特征表征、高精度模拟以及高速推理等方面优势。文章认为，通过集成地球表层系统建模和智能学习方法（即混合式建模，图1），可以将专家经验知识和机器智能推理有机融合，可更高效且深入地对复杂地表过程和人地耦合关系进行建模和模拟研究，有助于促进地学研究的范式转型和跨越式发展。

图1 通过整合地球系统建模和深度学习应对重大环境挑战

通过分析现有混合建模的研究范式，文章进一步分析了该研究领域的三点局限：模型集成情景有限、建模过程主观性强、计算环境兼容性低。为了应对这些问题，文章提出了一个可迭代交互式的智能建模概念框架（图2）。该框架提出融合专家知识和智能推理于整个建模生命周期；在同质云端计算环境下构建建模知识库和智能学习推理引擎，通过二者的相互作用，以形成知识问答和资源推荐机制；在用户的参与与交互中，可生成可定制、可扩展且准确的建模计划和资源配置。文章以后疫情时代下人类出行方式变化对社会经济和气候系统造成的影响为建模案例，详细阐述了该概念框架的交互流程、计算逻辑以及输出形式等方面特征。

图2 可迭代交互式的智能建模概念框架

最后，文章指出，开放式研究社区和建模平台以及知识、数据和模型等资源共享措施有助于推进智能化建模的发展；与此同时，智能方法预测结果的可靠性需要被重视，既要发展模型模拟的可解释能力，也要提升在人类因素干扰和极端事件下的模拟预测精度。此外，文章强调在推动智能化建模平台建设时，需要融入数据实时获取分析和模型动态优化更新等功能策略，以适应地球表层系统日益演变的关键特征。

上述研究工作获得国家重点研发计划（2022YFF0711604）、国家自然科学基金项目（41930648）、水利部重大科技项目（SKS-2022001）、欧盟“地平线2020”研究与创新计划（820970）、欧盟玛丽居里学者项目（956170）和德国联邦教育及研究部项目（01LS2001A）联合资助。此外，该研究工作也得到德国马克斯·普朗克生物地球化学研究所所长，混合式地球系统建模研究先驱Markus Reichstein教授的支持与帮助。

文章引用格式：Chen, M., Qian, Z., Boers, N. et al. Iterative integration of deep learning in hybrid Earth surface system modelling. Nat Rev Earth Environ (2023). https://doi.org/10.1038/s43017-023-00452-7

原文链接：https://www.nature.com/articles/s43017-023-00452-7