Vairāk

Vizualizācijas un simulācijas - ģeozinātnes

Vizualizācijas un simulācijas - ģeozinātnes


Vizualizācijas un simulācijas - ģeozinātnes

7 vizualizācijas un simulācijas

Kā palīgu piekļuves incidentu novēršanā varat izveidot vizualizācijas. Tie ir grafiski attēli, kas attēlo ceļus, kas no lietotājiem ved uz tām piešķirtajām lomām un galu galā uz konfliktējošiem piekļuves punktiem. Varat arī izveidot simulācijas, kas priekšskatīs to darbību sekas, kuras varat veikt, lai atrisinātu piekļuves konfliktus. Šie vienumi var būt savstarpēji saistīti: simulācija var koncentrēties uz konfliktu risināšanu, iekļaujot vizualizācijā attēlotos piekļuves punktus.

Vizualizācijas un simulācijas ir paredzētas tikai piekļuves incidentu izpratnei un atrisināšanai. Viņiem nav piemērojama darījumu starpgadījumi.


Vizualizācija

MATLAB ir spēcīgs rīks, kas nodrošina studentu iespējas vizualizēt datus no visdažādākajiem avotiem un izprast sarežģītas sistēmas, kā arī attēlot sarežģītus datus. Studenti var vizualizēt un manipulēt ar datiem, lai redzētu, kā dati izturas. Studenti var arī vizualizēt, kā modelēt būtiskas Zemes zinātnes formulas, piemēram, siltuma plūsmu caur okeāna litosfēru. Papildus MATLAB visaptverošajām priekšrocībām MATLAB ir piemērots šāda veida izpētei un vizualizācijai, izmantojot:

  • Ļoti elastīgs un viegli pielāgojams
  • Noskaņots pēc zinātniskiem datiem - rastra un vektora
  • Spēj parādīt kartē

MathWorks, MATLAB Plot Gallery piedāvā piemērus daudziem veidiem, kā datus var vizuāli attēlot programmā.


Vizualizācija un apjoma interpretācija ģeozinātnē: 3-D seismiskā un ārpus tās

Apjoma interpretācijas tehnoloģijas ir revolucionāras tam, kā ģeozinātnieki interpretē seismiskos datus, un inženieri novērtē rezervuārus, tādējādi uzlabojot pazemes prognozēšanas precizitāti. Vizualizācijas un apjoma interpretācijas tehnoloģiju izstrāde un pielietošana naftas ģeozinātnē pēdējās desmitgades laikā ir piedzīvojusi straujas pārmaiņas. Šī vēsture sniedz interesantu tehnoloģiju evolūcijas gadījumu izpēti no agrīnām idejām līdz pielietošanai un nākotnes redzējumiem. Tas ir viens no gadījumiem, kad tehnoloģija, dati, jautājumi un ģeozinātnieki apvienojās īstajā laikā, lai ļautu panākt ievērojamus panākumus un lielu ietekmi. Tas ir arī stāsts par gadījuma spriedzi starp tehnoloģijām un zinātni.

Skaļuma interpretācijas un vizualizācijas iespējas tiek iegūtas, integrējot jaudīgus datorus, modernu displeja tehnoloģiju, komerciālu un patentētu programmatūru un visaptverošas ģeozinātnes prasmes. Vizualizācijas paņēmieni ir paredzēti daudzdimensiju datu apskatei, savukārt apjoma interpretācijas paņēmieni ir paredzēti daudzdimensiju datu analīzei. Tās ir tehnoloģijas, kas uzlabo 3D seismiskās interpretācijas kvalitāti un efektivitāti, nodrošina jaunas sadarbības iespējas un nodrošina vidi labākai integrācijai.

Apjoma interpretācija attīstījās ārpus vizualizācijas. Sākumā mēs vienkārši skatījāmies uz horizontiem un kļūdām, izmantojot necaurredzamību un krāsu ar apjoma renderēšanu un veicot vienkāršu sēklu noteikšanu. Sakarā ar sinerģiju starp aparatūras un programmatūras attīstību un īpašu uzmanību pētniecībai un lietošanai, apjoma interpretācijai ir arvien lielāka ietekme uz dažādām aktivitātēm, tostarp: jaunu 3D seismisko datu apjomu iepazīšana, ātra ogļūdeņražu pārbaude un ieguve saistītās seismiskās anomālijas, ātra horizonta un kļūdu kartēšana, rezervuāru raksturojums ar vairākiem atribūtiem, kas paredzēti izmantošanai ģeoloģiskajā modelēšanā un plūsmas simulācijā, seismiskajā apstrādē un interaktīvā trīsdimensiju urbumu plānošanā. Mēs apspriedīsim šo tehnoloģiju attīstību no dažādu organizāciju viedokļa un aprakstīsim, kā tās iekļaujas ģeogrāfijas augšējā posma kopējā darba plūsmā. Dažādi piemēri ilustrēs tilpuma interpretācijas pielietojumu un ietekmi ģeozinātnēs un inženiertehniskajās darbībās, ieskaitot defektu interpretāciju, rezervuāru raksturošanu un ogļūdeņražu sistēmu analīzi.

Lai gan apjoma interpretācijas un vizualizācijas tehnoloģijas ir kļuvušas par ierastu vietu augšupējā ģeozinātnē, un ir pierādīta to vērtība mūsu biznesam, to ietekmes pilnīga apzināšanās joprojām ir mūsu priekšā. Mēs pētām, kā iegremdējošās un vairāku sensoru interpretācijas metodes uzlabos veidu, kā mēs interpretējam savus zemādas datus un sazināmies ar citiem. Lai gan pirms šo tehnoloģiju gatavības vispārējai pielietošanai ir jāpārvar daudzas problēmas, nākotne ir daudzsološa. Efektīva attālās sadarbības tehnoloģija tagad spēj atvieglot vizualizācijas un apjoma interpretācijas sadarbību globālā mērogā, ļaujot ātrāk izplatīt idejas, tehnoloģijas un zināšanas plašā uzņēmējdarbības portfelī. Kaut arī šo tehnoloģiju pielietošana 3D seismiskai interpretācijai un ģeozinātnes un inženierijas integrācijai joprojām būs ļoti svarīga, lietošanai zināšanu kapitalizācijas nolūkos galu galā būs dziļa ietekme. Nogulšņu baseini un ar tiem saistītās ogļūdeņražu sistēmas ir sarežģītas sistēmas, par kurām mēs cenšamies izteikt ļoti specifiskas prognozes. Vizualizācijai un apjoma interpretācijai ir aizraujoša nākotne, jo instrumenti, kas jāizmanto, meklējot modeļus šajās sistēmās, un no šiem modeļiem uzlabo izpratni.

Par autoru (-iem)

Izglītība:
1979. gada Kalifornijas universitāte - Riverside B.S., ģeoloģija
1981. gada Kalifornijas universitāte - Riverside M.S., ģeoloģija
1985. gada Arizonas Universitātes doktora grāds, ģeozinātne (juras laikmeta magnētisms, Ziemeļamerikas plātņu kustība un kordordāna tektonika)

Pieredze:
1985. gads - līdz šim ExxonMobil Upstream Research Company (agrāk Exxon Production Research), Hjūstona, Teksasa

Pētnieciskā darbība:
Plākšņu rekonstrukcija un paleoģeogrāfija, reģionālā tektonika, baseina analīze, ogļūdeņražu migrācija, vizualizācija un apjoma interpretācija. 1995-2002: pētniecības ģeologs un tehniskās grupas vadītājs ExxonMobil vizualizācijas un apjoma interpretācijas grupā. Pašlaik ir atbildīgs par tehnisko integrāciju pētniecības projektā, kura mērķis ir jaunas izpētes koncepcijas, integrējot ģeodinamiku, baseinu modelēšanu un rotaļu elementu prognozēšanas tehnoloģijas.

Raksti un tēzes par paleomagnetisma 3-D seismiskās interpretācijas un vizualizācijas baseinu evolūcijas lietojumiem ogļūdeņražu migrācijai, plākšņu kustībai un tektonikai.

Līdzautors & ldquoInteractive Seismic Facies Classification Using Textural Attributes and Neural Networks, & rdquo (Apbalvots ar 2002. gada labāko grāmatu SEG & rsquos The Leading Edge).

Atsauces

Pielikumi

Pievienojieties sarunai

Vai jūs interesē sākt vai piedalīties sarunā par rakstu vai ierakstu RECORDER? Pievienojieties mūsu CSEG LinkedIn grupai.


Īpašo izdevumu redaktori

Ģeozinātniskajos laukos ir kļuvušas nepieciešamas tādas skaitļošanas metodes kā skaitliskā skaitļošana, vizualizācija un simulācija, lai uzlabotu mūsu izpratni par parādībām un Zemes sistēmas evolūciju. Mūsdienās gan akadēmija, gan rūpniecība savā ģeozinātniskajā darbā lielā mērā paļaujas uz skaitļošanas rīkiem. Mašīnmācība, virtuālā realitāte, paplašinātā realitāte un mākslīgais intelekts ir aktīvas attīstības jomas jaunām ģeozinātniskām tehnoloģijām un lietojumprogrammām. Mēs organizējam šo īpašo izdevumu, lai sniegtu daudzdisciplināru pārskatu par ģeozinātnes pētījumiem un lietišķajiem gadījumu pētījumiem, kas saistīti ar skaitļošanas metodēm. Apkopojot šos skaitļošanas ģeozinātniskos darbus vienā izdevumā, mūsu mērķis ir uzlabot mūsu izpratni, definēt izaicinājumus un dot iespēju sadarboties nākotnē, izmantojot šīs modernās metodes.

Šajā īpašajā izdevumā uzsvērti sasniegumi un pielietojums skaitļošanas ģeozinātnēs, kas ietver teoriju, skaitliskās metodes, programmatūras izstrādi, zinātnisko dizainu un uz lauka balstītu praksi. Gan teorētiskie, gan lietišķie ģeozinātnes darbi tiek aicināti iesniegt šo īpašo izdevumu. Tēma un pielietojums aptver visus Zemes sistēmu raksturojošo un interpretējošo modeļu kvantitatīvos aspektus. Mēs atzinīgi vērtējam visu Zemes zinātnes nozaru, piemēram, ģeoloģijas, ģeofizikas, petrofizikas, ģeogrāfijas, ģeoķīmijas, vides, hidroloģijas, ekoloģijas, atmosfēras un kosmosa zinātņu, ieguldījumu. Mēs aicinām zinātniekus, inženierus un studentus iepazīstināt ar jaunākajiem tehnoloģiskajiem sasniegumiem, lietojumprogrammām un gadījumu izpēti un iepazīstināt ar jaunākajām iespējām ģeogrāfiski atsaucīgu datu vizualizēšanai.

Dr Euns Jangs Lī
Dr Annarita D'Addabbo
Dr Dimitrios Piretzidis
Viesredaktori

Informācija par rokrakstu iesniegšanu

Rokraksti jāiesniedz tiešsaistē vietnē www.mdpi.com, reģistrējoties un piesakoties šajā vietnē. Kad esat reģistrējies, noklikšķiniet šeit, lai pārietu uz iesniegšanas veidlapu. Rokrakstus var iesniegt līdz noteiktajam termiņam. Visi dokumenti tiks salīdzināti. Pieņemtie dokumenti tiks pastāvīgi publicēti žurnālā (tiklīdz tie tiks pieņemti) un tiks kopīgi uzskaitīti īpašo izdevumu vietnē. Tiek aicināti zinātniski raksti, pārskata raksti, kā arī īsi paziņojumi. Par plānotajiem dokumentiem nosaukumu un īsu kopsavilkumu (apmēram 100 vārdus) var nosūtīt redakcijai paziņošanai šajā vietnē.

Iesniegtie rokraksti nedrīkstēja būt iepriekš publicēti, un tos nedrīkst izskatīt par publicēšanu citur (izņemot konferences rakstu krājumus). Visi rokraksti tiek rūpīgi tiesāti, izmantojot vienas neredzīgas salīdzinošās pārskatīšanas procesu. Ceļvedis autoriem un cita būtiska informācija par rokrakstu iesniegšanu ir pieejama lapā Norādījumi autoriem. Ģeozinātnes ir starptautisks salīdzinoši pārskatīts ikmēneša žurnāls, kuru izdevis MDPI.

Pirms rokraksta iesniegšanas, lūdzu, apmeklējiet lapu Autori. Rakstu apstrādes maksa (APC) publicēšanai šajā atklātās piekļuves žurnālā ir 1500 CHF (Šveices franki). Iesniegtajiem dokumentiem jābūt labi noformētiem un jāizmanto laba angļu valoda. Autori var izmantot MDPI angļu valodas rediģēšanas pakalpojumu pirms publicēšanas vai autora pārskatīšanas laikā.


Simulācija. Tas ir visur.

Šis ir aizraujošs laiks Tech Soft 3D, jo labi, ka tas ir aizraujošs laiks mūsu nozarē.

Papildus vienmērīgai pārejai uz mākoņu arhitektūrām mēs redzam 3D izstrādes eksploziju, kas saistīta ar Industry 4.0, AR / VR, Generative Design, Additive Manufacturing, Digital Twin, Manufacturing as a Service, IoT, digital construction un daudz ko citu.

Viena makro tendence, kas skar gandrīz visas nozares, ir integrētās simulācijas un analīzes nozīme, ko daudzi dēvē par datorizētu inženieriju (CAE). Gadiem ilgi mēs esam redzējuši, ka CAE tuvojas CAD. Tas vienmēr ir bijis svarīgi, lai palīdzētu dizaineram atkārtot iespējas, un tas ir īpaši svarīgi ģeneratīvā dizaina pasaulē, kur programmatūra rada simtiem (vai vairāk) dizaina iespējas. Iebūvētās analīzes veikšana ir izšķiroša, lai palīdzētu dizaineram kārtot daudzos reālos variantus, lai atrastu tos, kas ir optimāli no formas, funkcijas un materiālu izvēles viedokļa.

Mēs arī redzam, ka CAE spēlē lomu piedevu ražošanas programmatūrā, lai nodrošinātu, ka modeli patiešām var izgatavot ar noteiktiem materiāliem bez deformācijas un pielaides robežās. Arī mērījumu lietojumprogrammās tiek izmantotas CAE vizualizācijas metodes, lai ilustrētu dispersijas starp projektēto un izgatavoto daļu. Visbeidzot, 3D skatītājiem - tādiem, kādi ir visās PLM sistēmās - ir jāparāda ne tikai detaļas un mezgli, bet arī ar tiem saistītie bagātīgie CAE rezultātu dati.

Nav pārsteigums, ka daudzus gadus CAE ir tuvinājusies projektēšanas fāzei un pievienota vērtība visām plaša ražojuma vai būvniecības un būvniecības dzīves cikla daļām. Viens šķērslis šī “svētā graila” sasniegšanai bija datora jauda, ​​ņemot vērā CAE intensīvās skaitļošanas vajadzības. Cits bija dažādi vizualizācijas veidi, kas nepieciešami projektēšanas un analīzes fāzēs. Tā kā mēs turpinām redzēt pāreju uz mākoņa arhitektūru, tiek risināta skaitļošanas jaudas problēma. Tas atstāj vizualizācijas jautājumu.

Aplūkojot mūsu pieaugošo SDK portfeli, mēs sev jautājām, kā mēs varētu palīdzēt izstrādātājiem labāk rīkoties ar CAE datu vizualizāciju. Mūsu atbilde bija apvienot spēkus ar neapstrīdamu līderi šajā jomā Ceetron AS un ievest viņus Tech Soft 3D saimē. Mēs nevarētu būt vairāk satraukti par Ceetron cilvēkiem, produktiem, partneriem un iespējām.

Mēs uzskatām, ka esošie Ceetron komponenti ir lielisks papildinājums mūsu plašajam SDK portfelim, jo ​​tie mums dod tirgū vadošo risinājumu, kas lieliski papildina mūsu HOOPS tehnoloģijas. HOOPS Visualize tehnoloģija ir inženierzinātņu vizualizācijas dzinējs daudzu veidu lietojumiem, ar īpašu spēku apstrādājot CAD tipa lietojumprogrammas un modeļus. Ceetron AS piedāvā tirgū vadošās iespējas, lai apmierinātu CAE lietojumprogrammu unikālās un uzlabotās vizualizācijas vajadzības.

Mēs esam ārkārtīgi priecīgi arī par iespējām, kas mums ir, apvienojot savas stiprās puses jaunos veidos, lai izveidotu spēcīgus piedāvājumus, kas ietver galvenos izstrādātājiem nepieciešamos elementus, tostarp CAD datu importēšanu, modelēšanu, CAD veida mijiedarbību, CAE vizualizāciju un datu publicēšanu.

Mēs ceram sadarboties ar mūsu jaunajiem kolēģiem, meklējot risinājumu, kas apvieno mūsu tehnoloģiju stiprumu, lai apmierinātu jebkura izstrādātāja vajadzības, kuram jārisina CAE rezultātu vizualizācijas dati dažādos kontekstos un lietojumprogrammu veidos.


Dalieties ar šo īpašo izdevumu

Šī īpašā izdevuma nolūks ir apkopot kopu vai dokumentus, kas apraksta dažādo šķidrumu kustību, kas notiek baseinos, būtību, cēloņus un sekas. Dokumenti sniegs perspektīvu tam, ko varētu pievienot nākamās paaudzes baseinu modeļiem. Divpadsmit jau veiktie dokumenti apraksta magmātisko sliekšņu iekļūšanas un sāls migrācijas ietekmi uz nobriešanu (iekļaujot defektu kustības), gāzes kustību Dienvidķīnas jūrā, paleozoja avota klints nobriešanu Kolumbijas Llanosas baseinā, H2 gāzes dinamisku izplūdi. no paleozoja veidojumiem, pārveidošana un caurlaidības modifikācija, kas saistīta ar naftas migrāciju, vairāku apledojumu ietekme uz nobriešanu un migrāciju un plūsmas ceļu noteikšana, izmantojot pasīvās seismiskās metodes. Dokumenti, kas vēl nav sagatavoti, varētu pievērsties sekundārajai migrācijai, siltuma vadītspējas noteikšanai no aku baļķu profiliem un gāzes desorbcijai pēc ledāju izkraušanas. Var tikt iekļauti arī tādi pamatjautājumi kā kontinentālās litosfēras biezums un netradicionālo ogļūdeņražu resursu raksturojums.

Apjoms būs pieejams bez maksas tiešsaistē, un izmaksas uz vienu autoru ir minimālas, tāpēc tā ietekme būs atkarīga no iekļauto darbu kvalitātes un novitātes. Mūsu nolūks ir izplatīt un atjaunināt provizorisko nosaukumu sarakstu, kad dokumenti ir apņēmušies, lai autori varētu redzēt, kā viņu ieguldījums iekļaujas kopējā sējuma kontekstā. Raksti tiks publicēti, tiklīdz tie tiks pieņemti. Ierosinātais 2019. gada 31. augusta termiņš nav noteikts apjoma termiņš. Svarīgi ieguldījumi tiks pieņemti pēc šī datuma.

Dr Vilijs Fjeldskaars
Prof. Lorenss Kathls
Viesredaktori

Informācija par rokrakstu iesniegšanu

Rokraksti jāiesniedz tiešsaistē vietnē www.mdpi.com, reģistrējoties un piesakoties šajā vietnē. Kad esat reģistrējies, noklikšķiniet šeit, lai pārietu uz iesniegšanas veidlapu. Rakstus var iesniegt līdz noteiktajam termiņam. Visi dokumenti tiks salīdzināti. Pieņemtie dokumenti tiks pastāvīgi publicēti žurnālā (tiklīdz tie tiks pieņemti) un tiks kopīgi uzskaitīti īpašo izdevumu vietnē. Tiek aicināti zinātniski raksti, pārskata raksti, kā arī īsi paziņojumi. Par plānotajiem dokumentiem nosaukumu un īsu kopsavilkumu (apmēram 100 vārdus) var nosūtīt redakcijai paziņošanai šajā vietnē.

Iesniegtie rokraksti nedrīkstēja būt iepriekš publicēti, un tos nedrīkst izskatīt par publicēšanu citur (izņemot konferences rakstu krājumus). Visi rokraksti tiek rūpīgi tiesāti, izmantojot vienas neredzīgas salīdzinošās pārskatīšanas procesu. Ceļvedis autoriem un cita būtiska informācija par rokrakstu iesniegšanu ir pieejama lapā Norādījumi autoriem. Ģeozinātnes ir starptautisks salīdzinoši pārskatīts ikmēneša žurnāls, kuru izdevis MDPI.

Pirms rokraksta iesniegšanas, lūdzu, apmeklējiet lapu Autori. Rakstu apstrādes maksa (APC) publicēšanai šajā atvērtās piekļuves žurnālā ir 1500 CHF (Šveices franki). Iesniegtajiem dokumentiem jābūt labi noformētiem un jāizmanto laba angļu valoda. Autori var izmantot MDPI angļu valodas rediģēšanas pakalpojumu pirms publicēšanas vai autora pārskatīšanas laikā.


Inteliģentās sistēmas ģeozinātnēs: būtiska pētījumu programma

Daudzi ģeozinātņu aspekti rada jaunas problēmas inteliģento sistēmu izpētei. Ģeozinātnes dati ir izaicinoši, jo tie parasti ir neskaidri, periodiski, reti, daudzrisināmi un daudzveidīgi. Ģeozinātnes procesiem un objektiem bieži ir amorfas laika un laika robežas. Pamata patiesības trūkums apgrūtina modeļa novērtēšanu, testēšanu un salīdzināšanu. Lai pārvarētu šīs problēmas, nepieciešami sasniegumi, kas ievērojami pārveidotu inteliģentās sistēmas, vienlaikus gūstot lielu labumu ģeozinātnēm. Kaut arī starp inteliģentajām sistēmām un ģeozinātņu kopienām ir bijusi nozīmīga un izdevīga mijiedarbība, 4,12 sinerģisko pētījumu potenciāls ģeozinātņu viedajās sistēmās lielākoties nav izmantots. Nesen uzsāktais Ģeozinātņu inteliģento sistēmu izpētes koordinācijas tīkls sekoja semināram Nacionālajā zinātnes fondā par šo tēmu. 1 Šis paplašinātais tīkls balstās uz NSF EarthCube iniciatīvu ģeozinātnēm, un to virza praktiskas problēmas Zemes, okeāna, atmosfēras, polārās un ģeokosmiskās zinātnēs. 11 Pamatojoties uz diskusijām un aktivitātēm šajā tīklā, šajā rakstā ir izklāstīta ģeogrāfisko zinātņu problēmu iedvesmotu inteliģento sistēmu izpētes programma.

Galvenie ieskati

Ģeozinātņu pētījumu mērķis ir izprast Zemi kā sarežģītu, ļoti interaktīvu dabas procesu sistēmu un to mijiedarbību ar cilvēka darbību. Pašreizējām pieejām ir būtiskas nepilnības, ņemot vērā ģeozinātņu datu sarežģītību. Pirmkārt, ar datu izmantošanu vien nepietiek, lai izveidotu pētāmo ļoti sarežģīto parādību modeļus, tāpēc ir jāņem vērā iepriekšējās teorijas. Otrkārt, datu vākšana var būt visefektīvākā, ja to vada, izmantojot zināšanas par esošajiem modeļiem, lai koncentrētos uz datiem, kas radīs izmaiņas. Treškārt, lai apvienotu atšķirīgos datus un modeļus dažādās disciplīnās, ir jāaptver un jāpamato plaša kvalifikācija un konteksts, lai varētu tos integrēt. Tie visi ilustrē nepieciešamību pēc zināšanām bagātām inteliģentām sistēmām, kurās iekļauts ievērojams daudzums ģeozinātņu zināšanu.

Raksts sākas ar pārskatu par izpētes izaicinājumiem ģeozinātnēs. Pēc tam tajā izklāstīta pētniecības programma un inteliģentās sistēmas redzējums, lai risinātu šīs problēmas. Tas noslēdzas ar pārskatu par notiekošajām darbībām jaunizveidotajā ģeozinātņu inteliģento sistēmu izpētes tīklā, kas veicina kopienu šīs starpdisciplinārās pētniecības programmas īstenošanā.

Ģeozinātņu izmeklēšanas temps mūsdienās diez vai var sekot līdzi sabiedrības vajadzību steidzamībai, lai pārvaldītu dabas resursus, reaģētu uz ģeoloģisko apdraudējumu un izprastu cilvēka darbības ilgtermiņa ietekmi uz planētu. 6,7,8,9,10,11 Turklāt nesenais bezprecedenta datu pieejamības pieaugums kopā ar lielāku uzsvaru uz sabiedrības virzītājiem uzsver vajadzību pēc pētījumiem, kas pārsniedz tradicionālo zināšanu robežas. Dažādas ģeozinātņu disciplīnas saskaras ar šīm problēmām no dažādas motivācijas un perspektīvas:

  • Jūras līmeņa izmaiņu prognozēšana polārā ledus plauktos: Polārajiem zinātniekiem, kā arī atmosfēras un okeāna zinātniekiem ir steidzami jāsaprot jūras līmeņa celšanās visā pasaulē. Ledus plaukta vide ir ekstremāla vide paraugu ņemšanai un uztveršanai. Pašreizējie centieni vākt jutīgus datus ir ierobežoti, un tiek izmantoti piesaistīti roboti ar tradicionālu paraugu ņemšanas biežumu un savākšanas ierobežojumiem. Spēja apkopot plašu informāciju par apstākļiem ledus plauktos vai to tuvumā informēs mūsu izpratni par okeāna cirkulācijas modeļu izmaiņām, kā arī atgriezeniskajām saitēm ar vēja cirkulāciju. Jauns viedo sensoru pētījums atbalstītu selektīvu datu vākšanu, borta datu analīzi un adaptīvu sensoru vadību. Jaunas iegremdējamas robotu platformas varētu atklāt un reaģēt uz interesantām situācijām, vienlaikus pielāgojot uztveršanas frekvences, kuras varētu iedarbināt atkarībā no reālajā laikā apkopotajiem datiem.
  • Atbloķējiet dziļu Zemes laiku: Zemes zinātnieki koncentrējas uz Zemes dinamikas izpratni, ieskaitot Zemes interjeru vai dziļa Zeme (piemēram, tektonika, seismoloģija, magnētiskie vai gravitācijas lauki un vulkāniskā aktivitāte) un virs zemes esošā Zeme (piemēram, hidroloģiskais cikls, oglekļa cikls, pārtikas ražošanas cikls un enerģijas cikls). Lai gan datu vākšanu no lauka veic indivīdi noteiktās vietās, aplūkojamās problēmas aptver plaši planētas reģionus. Turklāt zinātnieki dažādos laikos dažādās vietās vāca datus un ziņoja par rezultātiem atsevišķās krātuvēs un bieži nesaistītās publikācijās. Tā rezultātā ir izveidojusies slikti savienota informācijas kolekcija, kas padara plašu analīzi ārkārtīgi sarežģītu un to nav iespējams reproducēt. Zemes sistēmas ir integrētas, bet pašreizējie ģeozinātnes dati un modeļi nav. Lai atklātu nozīmīgus jautājumus par tādām tēmām kā, piemēram, Zemes laiks, ģeozinātniekiem ir nepieciešamas inteliģentas sistēmas, lai efektīvi integrētu datus no atšķirīgām vietām, datu tipiem un vākšanas centieniem plašā apgabalā.
  • Paredzēt kritisko atmosfēru un ģeotelpiskos notikumus: Atmosfēras un ģeotelpisko zinātņu pētījumu mērķis ir uzlabot izpratni par Zemes atmosfēru un tās savstarpējo atkarību ar visām pārējām Zemes sastāvdaļām, kā arī izprast svarīgo fizisko dinamiku, attiecības un saikni starp notiekošo Saules vēja plūsmu un magnetosfēru, jonosfēru. un Zemes termosfēra. Atmosfēras pētījumos tiek pētītas parādības, kas darbojas no planētas līdz mikro telpiskām skalām un no tūkstošgades līdz mikrosekundēm. Lai gan savāktie dati ir ļoti lieli, ņemot vērā pētāmo parādību sarežģītību, tie ir nelieli. Tāpēc pieejamie dati jāpapildina ar zināšanām par parādību pamatā esošajiem fiziskajiem likumiem, lai izveidotu efektīvus modeļus.
  • Atklājiet okeāna, zemes, atmosfēras un ledus mijiedarbību: Mūsu spēja izprast Zemes sistēmu ir ļoti atkarīga no mūsu spējas integrēt ģeozinātnes modeļus laikā, telpā un disciplīnā. Tam nepieciešamas sarežģītas pieejas, kas atbalsta kompozīciju un atklāj struktūru, diagnosticē un kompensē salikto modeļu kļūdas un nenoteiktības un rada bagātīgu daudzdimensionālas informācijas vizualizāciju, kurā ņemts vērā zinātnieka konteksts.

Pievienotais attēls ilustrē viedo sistēmu izpētes virzienus, kurus iedvesmojuši šie ģeozinātnes izaicinājumi, kas organizēti dažādos mērogos. Zemes kā sistēmas izpētei ir nepieciešamas fundamentāli jaunas iespējas datu vākšanai tur, kur tas ir svarīgi, integrēt izolētus novērojumus plašākos pētījumos, izveidot modeļus, ja nav visaptverošu datu, un sintezēt modeļus no vairākām disciplīnām un mērogiem. Inteliģento sistēmu attīstība, lai izstrādātu stabilākas sensoru platformas, efektīvāku informācijas integrāciju, spējīgākus mašīnmācīšanās algoritmus un inteliģentas interaktīvas vides, var būtiski pārveidot ģeozinātņu pētniecības praksi un paplašināt pētāmo problēmu būtību.


Attēls. AI izpēte.

Ceļvedis inteliģento sistēmu izpētei ar ieguvumiem ģeozinātnēs

Zemes sistēmu parādības raksturo nelineāri, daudzirezolūcijas, daudzlīmeņu, neviendabīgi un ļoti dinamiski procesi. Ģeozinātņu izpēti izaicina arī ārkārtēji notikumi un ilgtermiņa izmaiņas Zemes sistēmās. Pieejamie dati ir periodiski, tiem ir nozīmīgi nenoteiktības avoti un tie ir ļoti reti, ņemot vērā pētāmo sarežģītību un bagātīgās parādības. Tāpēc datu kopu nelielais izlases lielums jāpapildina ar zinātniskajiem principiem, kas ir ģeozinātņu procesu pamatā, lai vadītu zināšanu atklāšanu. Piemēram, zināšanu apkopošana par fiziskajiem procesiem, kas regulē Zemes sistēmas datu kopas, var palīdzēt ierobežot sarežģītu nelineāru attiecību apgūšanu ģeozinātņu lietojumos, nodrošinot teorētiski konsekventus rezultātus. Mums ir vajadzīgas pieejas, kas veicina datu virzītu pētījumu sasniegumus, izmantojot metodes, kas izmanto zināšanas par jomu un zinātniskos principus, kas regulē pētāmās parādības. Šajās ģeozinātnes apzināšanās sistēmās būs jāiekļauj plašas zināšanas par parādībām, kas apvieno fizikālos, ģeoloģiskos, ķīmiskos, bioloģiskos, ekoloģiskos un antropomorfos faktorus.

Šis pētījumu kopums radīs jaunas paaudzes ar zināšanām bagātas inteliģentas sistēmas, kas papildus datiem satur bagātīgas zināšanas un kontekstu, dodot iespēju būtībā jaunām spriešanas, autonomijas, mācīšanās un mijiedarbības formām.

Šis pētījumu kopums radīs jaunu paaudzi ar zināšanām bagātas viedās sistēmas kas papildus datiem satur bagātīgas zināšanas un kontekstu, dodot iespēju būtībā jaunām spriešanas, autonomijas, mācīšanās un mijiedarbības formām. Pētniecības uzdevumi, lai izveidotu ar zināšanām bagātas inteliģentas sistēmas, koncentrējas uz piecām galvenajām jomām:

  1. Zināšanu atspoguļošana un iegūšana: Zinātnisko zināšanu iegūšana par procesiem, modeļiem un hipotēzēm.
  2. Sensings un robotika: Datu vākšanas prioritātes noteikšana, pamatojoties uz pieejamajām zinātniskajām zināšanām.
  3. Informācijas integrācija: Datu un modeļu attēlojums kā sistēmu & kvotu sistēma & quot, kur visas zināšanas ir savstarpēji saistītas.
  4. Mašīnmācība: Algoritmu bagātināšana ar zināšanām un modeļiem par attiecīgajiem pamatā esošajiem procesiem.
  5. Saskarnes un interaktīvās sistēmas: Lietotāja konteksta izpēte un izpratne, izmantojot savstarpēji saistītas zināšanas.

Mēs aprakstām šīs piecas jomas pēc kārtas. Katram apgabalam mēs ieviešam galvenos pētījumu virzienus, kam seko visaptverošs redzējums par šo apgabalu.

Zināšanu atspoguļošana un uztveršana. Lai izveidotu ar zināšanām bagātas inteliģentas sistēmas, zinātniskās zināšanas, kas saistītas ar ģeozinātnes procesiem, ir skaidri jāpārstāv, jāaptver un jāpiedalās.

  1. Zinātnisko datu un metadatu atspoguļošana. Ģeozinātnieki vāc vairāk datu nekā jebkad agrāk, bet neapstrādāti dati, kas atrodas uz izolētiem serveriem, ir maz noderīgi. Nesenais darbs pie semantiskajiem un saistītajiem atvērto datu standartiem ļauj publicēt datu kopas tīmekļa standarta formātos ar atvērtas piekļuves licencēm, izveidojot saites starp datu kopām uz turpmāku savietojamību. 2 Tas noved pie tīmeklī iegultiem semantiskajiem tīkliem un zināšanu grafikiem, kas sniedz milzīgu daudzumu atvērtu savstarpēji saistītu zināšanu par ģeozinātnēm. Semantika, ontoloģiskais attēlojums, zinātniski precīza jēdzienu kartēšana dažādās jomās, zināšanu grafiki un saistīto atvērto datu izmantošana ir visas aktīvās izpētes jomas, lai atvieglotu datu meklēšanu un integrēšanu bez lielām manuālām pūlēm. 5
  2. Zinātnisko procesu, hipotēžu un teoriju tveršana. Lai papildinātu tikko apspriestās ontoloģijas un datu attēlojumus, liels izaicinājums ir pastāvīgi attīstīto, nenoteiktās, sarežģītās un dinamiskās zinātniskās zināšanas un informācija. Svarīgas problēmas radīsies dinamisko procesu, nenoteiktības, teoriju un modeļu, hipotēžu un apgalvojumu un daudzu citu pastāvīgi augošās zinātnisko zināšanu bāzes pārstāvēšanā. Šiem attēlojumiem jābūt pietiekami izteiksmīgiem, lai iegūtu sarežģītas zinātniskās zināšanas, taču tiem ir jāatbalsta arī mērogojama spriešana, kas integrē atšķirīgas zināšanas dažādos mērogos. Turklāt zinātniekiem būs jāsaprot reprezentācijas un jāuzticas rezultātiem.
  3. Dažādu zinātnisko zināšanu sadarbība. Zinātniskās zināšanas izpaužas dažādās formās, kurās tiek izmantoti dažādi klusējošie un skaidri izteiktie priekšstati: hipotēzes, modeļi, teorijas, vienādojumi, pieņēmumi, datu raksturojumi un citas. Šīs reprezentācijas ir savstarpēji saistītas, un vajadzētu būt iespējai vajadzības gadījumā plūstoši pārvērst zināšanas no vienas reprezentācijas otrā. Galvenais pētniecības uzdevums ir netraucēta alternatīvu zinātnisko zināšanu atveidošana, sākot no aprakstoša līdz taksonomiskam līdz matemātiskam, no faktiem līdz interpretācijai un alternatīvām hipotēzēm, no mazākām līdz lielākām skalām un no izolētiem procesiem līdz sarežģītām integrētām parādībām.
  4. Zinātnisko zināšanu autorēšana kopīgi. Formālās zināšanu reprezentācijas valodas, it īpaši, ja tās ir izteiksmīgas un sarežģītas, zinātniekiem nav viegli pieejamas izpratnes kodēšanai. Galvenais izaicinājums būs autorēšanas rīku izveide, kas ļaus zinātniekiem izveidot, savstarpēji sasaistīt, atkārtoti izmantot un izplatīt zināšanas. Zinātniskās zināšanas ir nepārtraukti jāatjaunina, jāpieļauj alternatīvi modeļi un jānošķir fakti no interpretācijas un hipotēzēm. Tie ir jauni izaicinājumi zināšanu uztveršanai un autoru pētījumiem. Visbeidzot, zinātniskās zināšanas būtu jārada kopīgi, ļaujot dažādiem dalībniekiem izsvērt, pamatojoties uz viņu daudzveidīgo pieredzi un perspektīvām.
  5. Automatizēta zinātnisko zināšanu iegūšana. Ne visas zinātniskās zināšanas jāveido manuāli. Liela daļa ģeozinātniekiem zināmo datu tiek glabāti daļēji strukturētos formātos, piemēram, izklājlapās vai tekstā, un strukturētiem meklēšanas mehānismiem tie nav pieejami. Lai identificētu un importētu šāda veida datus strukturētās zināšanu bāzēs, ir nepieciešamas automatizētas metodes.

Pētījuma vīzija: Zināšanu kartes. Mēs iedomājamies bagātīgu zināšanu grafikus, kas satur skaidri savstarpēji saistītus zinātnisko zināšanu attēlojumus, kas saistīti ar laiku un telpu, lai izveidotu daudzdimensionālu zināšanu kartes. Interpretācijas un pieņēmumi būs labi dokumentēti un saistīti ar novērojumu datiem un modeļiem. Mūsdienu semantiskie tīkli un zināšanu grafiki sasaista kopā izplatītos faktus tīmeklī, taču tajos ir vienkārši fakti, kuriem trūkst zinātniskajiem pētījumiem nepieciešamā dziļuma un pamatojuma. Zināšanu kartēs būs padziļināti procesu, hipotēžu un teoriju telpiski laikmetīgi attēlojumi, un tās būs balstītas fiziskajā pasaulē, savstarpēji savienojot neskaitāmus ģeozinātnes sistēmu modeļus.

Robotika un sensori. Uz zināšanām balstīta uztveršana un datu vākšana ir liels potenciāls, lai veiktu rentablāku datu vākšanu visās ģeozinātnēs.

  1. Datu vākšanas optimizēšana. Geoscience data is needed across many scales, both spatial and temporal. Since it is not possible to monitor every measurement at all scales all of the time, there is a crucial need for intelligent methods for sensing. New research is needed to estimate the cost of data collection prior to sensor deployment, whether that means storage size, energy expenditure, or monetary cost. A related research challenge is trade-off analysis of the cost of data collection versus the utility of the data to be collected.
  2. Active sampling. Geoscience knowledge can be exploited to inform autonomous sensing systems to not only enable long-term data collection, but to also increase the effectiveness of sensing through adaptive sampling, resulting in richer datasets at lower costs. Interpreting sensor data onboard allows autonomous vehicles to make decisions guided by real-time variations in data, or to react to unexpected deviations from the current physical model.
  3. Crowdsourcing data collection for costly observations. Citizen scientists can contribute useful data (for example, collected through geolocated mobile devices) that would otherwise be very costly to acquire. One challenge in data collection through crowdsourcing is in ensuring high quality of data required by geoscience research. A potential area of research is to improve methods of evaluating crowdsourced data collection empirically, and to gain an understanding of the biases involved in the collection process.

Research vision: Model-driven sensing. New research on sensors will create a new generation of devices that will contain more knowledge of the scientific context for the data being collected. These devices will use that knowledge to optimize their performance and improve their effectiveness. This will result in new model-driven sensors that will have more autonomy and exploratory capabilities.

Information integration. Data, models, information, and knowledge are scattered across different communities and disciplines, causing great limitations to current geosciences research. Their integration presents major research challenges that will require the use of scientific knowledge for information integration.

  1. Integrating data from distributed repositories. The geosciences have phenomenal data integration challenges. Most of the hard geoscience problems require that scientists work across sub-disciplinary boundaries and share very large amounts of data. Another facet of this issue is that the data spans a wide variety of modalities and greatly varying temporal and spatial scales. Distributed data discovery tools, metadata translators, and more descriptive standards are emerging in this context. Open issues include cross-domain concept mapping, entity resolution and scientifically valid data linking, and effective tools for finding, integrating, and reusing data.
  2. Threading scientific information and resources. Scientific information and digital resources (data, software, models, workflows, papers, and so on) should be interconnected and interrelated according to their authors and use. Research challenges include developing new knowledge networks that accurately and usefully link together people, data, models, and workflows. This research will deepen our understanding of Earth science information interoperability and composition, and of how collaborative expertise and shared conceptual models develop.
  3. Automated data analysis and scientific discovery. Capturing complex integrative data analysis processes as workflows facilitates reuse, scalable execution, and reproducibility. The pace of research could be significantly accelerated with intelligent workflow systems that automatically select data from separate repositories and carry out integrated analyses of data from different experiments. Through workflows that integrate large amounts of diverse data and interdisciplinary models, intelligent systems will lead to new discoveries.
  4. Tracking provenance and assessing trust. Incoming data to the integration process must be analyzed for its fit and trustworthiness. The original sources must be documented, as well as the integration processes in order for the information to be understood and trusted. The challenges are in developing appropriate models and automating provenance/metadata generation throughout the integration and scientific discovery processes.
  5. Integrating data from the published literature. Important historical data in geosciences is often only available in the published literature, requiring significant effort to integrate with new data. Text mining and natural language processing tools can already extract scientific evidence from articles. 5 Important research challenges in this area include improving the quality of existing information extraction systems, minimizing the effort required to set up and train these systems, and making them scalable through the vast amounts of the published record. Another area of research is georeferencing extracted facts and integrating newly extracted information with existing data repositories.

Research vision: Trusted information threads. The proposed research will result in a scientifically accurate, useful, and trusted knowledge-rich landscape of data, models, and information that will include integrated broad-scale by-products derived from raw measurements. These products will be described to explain the derivations and assumptions to increase understanding and trust of other scientists. These trusted information threads will be easily navigated, queried, and visualized.

Novel research is needed to develop new machine learning approaches that incorporate knowledge about geoscience processes and use it effectively to supplement the small sample size of the data.

Machine learning. In order to address the challenges of analyzing sparse geosciences data given the complexity of the phenomena under study, new machine learning approaches that incorporate scientific knowledge will be needed so that inferences will be obtained better than from data alone.

  1. Incorporation of geoscience knowledge into machine learning algorithms. Geoscience processes are very complex and high dimensional, and the sample size of the data is typically small given the space of possible observations. For those reasons, current machine learning methods are not very effective for many geoscience problems. A promising approach is to supplement the data with knowledge of the dominant geoscience processes. 3 Examples from current work include the use of graphical models, the incorporation of priors, and the application of regularizers. Novel research is needed to develop new machine learning approaches that incorporate knowledge about geoscience processes and use it effectively to supplement the small sample size of the data. Prior knowledge reduces model complexity and makes it possible to learn from smaller amounts of data. Incorporating geoscience process knowledge can also address the high dimensionality that is typical of geoscience data. Prior knowledge constrains the possible relationships among the variables, reducing the complexity of the learning task.
  2. Combining machine learning and simulation approaches. Machine learning offers data-driven methods to derive models from observational data. In contrast, geoscientists often use simulation models that are built. Process-based simulation approaches impose conservation principals such as conservations of mass, energy, and momentum. Each approach has different advantages. Data-driven models are generally easier to develop. Process-based simulation models arguably provide reasonable prediction results for situations not represented in the model calibration period, while data-driven models are thought to be unable to extrapolate as well. Yet difficulties in the development of process-based simulation models, such as parameterization and the paucity of clear test results, can draw this claim into question. Intelligent Systems hold the promise of producing the evaluations needed to make the complex approaches used in data-driven and process-model simulation approaches more transparent and refutable. Such efforts will help to use these methods more effectively and efficiently. Novel approaches are needed that combine the advantages of machine learning and simulation models.
  3. Modeling of extreme values. There are important problems in geosciences that are concerned with extreme events, such as understanding changes in the frequency and spatial distribution of extremely high temperature or extremely low precipitation in response to increase in greenhouse gas emissions. However, existing climate simulation models are often unable to reproduce realistic extreme values and therefore the results are not reliable. Although data science models offer an alternative approach, the heavy-tail property of the extreme values and its spatiotemporal nature poses important challenges to machine learning algorithms. A major challenge is presented by the spatiotemporal nature of the data.
  4. Evaluation methodologies. Machine learning evaluation methodology relies heavily on gold standards and benchmark datasets with ground-truth labels. In geosciences there are no gold standard datasets for many problems, and in those cases it is unclear how to demonstrate the value of machine learning models. One possible approach involves making predictions, collecting observations, and then adjusting the models to account for differences between prediction and observations. Holding data mining competitions using such data would be a very effective attractor for the machine learning community. Another alternative could be the creation of training datasets from simulations. Training datasets could be generated that would mimic real data but also have ground truth available, providing opportunity to rigorously train, test and evaluate machine learning algorithms.
  5. Causal discovery and inference for large-scale applications. Many geoscience problems involve fundamental questions around causal inference. For example, what are the causes of more frequent occurrences of heat waves? What could be the causes for the change of ocean salinity? While it may be very hard to prove causal connections, it is possible to generate new (likely) hypotheses for causal connections that can be tested by a domain expert using methods such as generalization analysis of causal inference, causal inference in presence of hidden components, domain adaption and subsample data, Granger graphical models and causal discovery with probabilistic graphical models. Given the large amount of data available, we are in a unique position to use these advances to answer fundamental questions around causal inference in the geosciences.
  6. Novel machine learning methods motivated by geosciences problems. A wide range of advanced machine learning methods could be effectively applied to geoscience problems. Moreover, geosciences problems drive researchers to develop entirely new machine learning algorithms. For example, attempts to build a machine learning model to predict forest fires in the tropics using multispectral data from earth observing satellites led to a novel methodology for building predictive models for rare phenomena 1 that can be applied in any setting where it is not possible to get high-quality labeled data even for a small set of samples, but poor-quality labels (perhaps in the form of heuristics) are available for all samples. Machine learning methods have already shown great potential in a few specific geoscience applications, but significant research challenges remain in order for those methods to be widely and easily applicable for other areas of geoscience.
  7. Active learning, adaptive sampling, and adaptive observations. Many geoscience applications involve learning highly complex nonlinear models from data, which usually requires large amounts of labeled data. However, in most cases, obtaining labels can be extremely costly and demand significant effort from domain experts, costly experiments, or long time periods. Therefore, a significant research challenge is to effectively utilize a limited labeling effort for better prediction models. In machine learning, this area of research is known as active learning. Many relevant active sampling algorithms, such as clustering-based active learning, have been developed. New challenges emerge when existing active learning algorithms are applied in geosciences, due to issues such as high dimensionality, extreme events, and missing data. In addition, in some cases, we may have abundant labeled data for some sites while being interested in building models for other locations (for example, remote areas). Transfer active learning aims to solve the problem with algorithms that can significant reduce the number of labeling requests and build an effective model by transferring the knowledge from areas with large amount of labeled data. Transfer active learning is still in the early stages and many opportunities exist for novel machine learning research.
  8. Interpretive models. In the past few decades, we have witnessed many successes of powerful but complex machine learning algorithms, exemplified by the recent peak of deep learning models. They are usually treated as a black box in practical applications, but have been accepted by more communities given the rise of big data and their modeling power. However, in applications such as geosciences, we are interested in both predictive modeling and scientific understanding, which requires explanatory and interpretive modeling. A significant research area for machine learning is the incorporation of domain knowledge and causal inference to enable the design of interpretive machine learning approaches that can be understood by scientists and related to existing geosciences theories and models.

Research vision: Theory-guided learning. Geosciences data presents new challenges to machine learning approaches due to the small sample sizes relative to the complexity and non-linearity of the phenomena under study, the lack of ground truth, and the high degree of noise and uncertainty. New approaches for theory-guided learning will need to be developed, where knowledge about underlying geosciences processes will guide the machine learning algorithms in modeling complex phenomena.

Intelligent user interaction. Scientific research requires well-integrated user interfaces where data can easily flow from one to another, and that include and exploit the user's context to guide the interaction. New forms of interaction, including virtual reality and haptic interfaces, should be explored to facilitate understanding and synthesis.

  1. Knowledge-rich context-aware recommender systems. Scientists would benefit from proactive systems that understand the task at hand and make recommendations for potential next steps, suggest datasets and analytical methods, and generate perceptually effective visualizations. A major research challenge is to design recommender systems that appropriately take into account the complex science context of a geoscientist's investigation.
  2. Embedding visualizations throughout the science process. Pervasive use of visualizations and direct manipulation interfaces throughout the science process would need to link data to hypotheses and allow scientists to experience models from completely new perspectives. These visualization-based interactive systems require research on the design and validation of novel visual representations that effectively integrate diverse data in 2D, 3D, multidimensional, multiscale, and multispectral views, as well as how to link models to the relevant data used to derive them.
  3. Intelligent design of rich interactive visualizations. In order to be more ubiquitous throughout the research process, visualizations must be automatically generated and be interactive. One research challenge is to design visualizations. Another challenge is the design of visualizations that fit a scientist's problem. An important area of future research is the interactive visualizations and direct manipulation interfaces would enable scientists to explore data and gain a better understanding of the underlying phenomena.
  4. Immersive visualizations and virtual reality. There are new opportunities for low-cost usable immersive visualizations and physical interaction techniques that virtually put geoscientists into the physical space under investigation, while also providing access to other related forms of data. This research agenda requires bridging prior distinctions in scientific visualization, information visualization, and immersive virtual environments.
  5. Interactive model building and refinement through visualizations that combine models and data. Interactive environments for model building and refinement would enable scientists to gain improved understanding on how models are affected by changes in initial data and assumptions, how model changes affect results, and how data availability affects model calibration. Developing such interactive modeling environments requires visualizations that integrate data with models, ensembles of models, model parameters, model results, and hypothesis specifications. These integrated environments would be particularly useful for developing machine learning approaches to geosciences problems, for example in assisting with parameter tuning and selecting training data. A major challenge is the heterogeneity and complexity of these different kinds of information that needs to be represented.
  6. Interfaces for spatiotemporal information. The vast majority of geosciences research products is geospatially localized and with temporal references. Geospatial information requires specialized interfaces and data management approaches. New research is needed in intelligent interfaces for spatiotemporal information that exploit the user's context and goals to identify implicit location, to disambiguate textual location specification, or to decide what subset of information to present. The small form factor of mobile devices is also constraint in developing applications that involve spatial data.
  7. Collaboration and assistance for data analysis and scientific discovery processes. Intelligent workflow systems could help scientists by automating routine aspects of their work. Because each scientist has a unique workflow of activities, and because their workflow changes over time, a research challenge is that these systems need to be highly flexible and customizable. Another research challenge is to support a range of workflows and processes, from common ones that can be reused to those that are highly exploratory in nature. Such workflows systems must enable collaborative design and analysis and be able to coordinate the work of teams of scientists. Finally, workflow systems must also support emerging science processes, including crowd-sourcing for problems such as data collection and labeling.

Research vision: Integrative workspaces. New research is required to allow scientists to interact with all forms of knowledge relevant to the phenomenon at hand, to understand uncertainties and assumptions, and to provide many alternative views of integrated information. This will result in user interfaces focused on integrative workspaces, where visualizations and manipulations will be embedded throughout the analytic process. These new intelligent user interfaces and interaction modalities will support the exploration not only of data but of the relevant models and knowledge that provide context to the data. Research activities will flow seamlessly from one user interface to another, each appropriate to the task at hand and rich in user context.

Conclusion

This article presented research opportunities in knowledge-rich intelligent systems inspired by geosciences challenges. Crucial capabilities are needed that require major research in knowledge representation, selective sensing, information integration, machine learning, and interactive analytics.

Enabling these advances requires intelligent systems and geosciences researchers work together to formulate knowledge-rich frameworks, algorithms, and user interfaces. Recognizing that these interactions are not likely to occur without significant facilitation, a new Research Coordination Network on Intelligent Systems for Geosciences has been created to enable sustained communication across these fields that do not typically cross paths. This network focuses on three major goals. First, the organization of joint workshops and other forums will foster synergistic discussions and collaborative projects. Second, repositories of challenge problems and datasets with crisp problem statements will lower the barriers to getting involved. Third, a curated repository of learning materials to educate researchers and students alike will reduce the steep learning curve involved in understanding advanced topics in the other discipline. Additionally, members of the Research Coordination Network are engaging other synergistic efforts, programs, and communities, such as artificial intelligence for sustainability, climate informatics, science gateways, and the U.S. NSF Big Data Hubs.

A strong research community in this area has the potential to have transformative impact in artificial intelligence research with significant concomitant advances in geosciences as well as in other science disciplines, accelerating discoveries and innovating how science is done.

Acknowledgments

This work was sponsored in part by the Directorate for Computer and Information Science and Engineering (CISE) and the Directorate for Geosciences (GEO) of the U.S. National Science Foundation under awards IIS-1533930 and ICER-1632211. We thank NSF CISE and GEO program directors for their guidance and suggestions, in particular Hector Munoz-Avila and Eva Zanzerkia for their guidance, and Todd Leen, Frank Olken, Sylvia Spengler, Amy Walton, and Maria Zemankova for suggestions and feedback. We also thank all the participants in the Research Coordination Network on Intelligent Systems for Geosciences for creating the intellectual space for productive discussions across these disciplines.


Figure. Watch the authors discuss this work in the exclusive Communications video. https://cacm.acm.org/videos/intelligent-systems-for-geosciences

Atsauces

1. Gil, Y. and Pierce, S. (Eds). Final Report of the 2015 NSF Workshop on Information and Intelligent Systems for Geosciences. National Science Foundation Workshop Report, October 2015 http://dl.acm.org/collection.cfm?id=C13 and http://is-geo.org/

3. Karpatne, A. et al. Theory-guided data science: A new paradigm for scientific discovery from data. IEEE Transactions on Knowledge and Data Engineering 29, 10 (2017) 2318&ndash2331.

4. Mithal, V., Nayak, G., Khandelwal, A., Kumar, V., Oza, N.C. and Nemani, R. RAPT: Rare class prediction in absence of true labels. IEEE Transactions on Knowledge and Data Engineering, 2017 DOI: 10.1109/TKDE.2017.2739739.

5. Narock, T. and Fox, P. The Semantic Web in Earth and space science. Current status and future directions. Studies in the Semantic Web. IOS Press, 2015.

6. National Research Council, Committee on Challenges and Opportunities in the Hydrologic Sciences, Water Science and Technology Board, Division on Earth and Life Studies. Challenges and Opportunities in the Hydrologic Sciences. National Academies Press, Washington, D.C., 2012, 188. ISBN: 978-0-309-22283-9.

7. National Research Council, Committee on a Decadal Strategy for Solar and Space Physics (Heliophysics) Space Studies Board Aeronautics and Space Engineering Board Division of Earth and Physical Sciences. Solar and Space Physics: A Science for a Technological Society. National Academies Press, Washington, D.C., 2013, 466. ISBN 978-0-309-16428-3.

8. National Research Council, Committee on Guidance for NSF on National Ocean Science Research Priorities: Decadal Survey of Ocean Sciences, Ocean Studies Board Division on Earth and Life Studies. Sea Change: 2015&ndash2025 Decadal Survey of Ocean Sciences. National Academies Press, Washington, D.C., 2014, 98. ISBN 978-0-309-36688-5.

9. National Research Council, Committee on New Research Opportunities in the Earth Sciences. New Research Opportunities in the Earth Sciences at the National Science Foundation. National Academies Press, Washington, D.C., 2012, 216. ISBN 978-0-30921924-2.

10. National Research Council, Committee to Review the NSF AGS Science Goals and Objectives. Review of the National Science Foundation's Division on Atmospheric and Geospace Sciences Goals and Objectives Document. National Academies Press, Washington, D.C., 2014, 36. ISBN 978-0-309-31048-2.

11. National Science Foundation. Dynamic Earth: GEO Imperatives and Frontiers 2015&ndash2020. Advisory Committee for Geosciences, 2014.

12. Peters, S.E., Zhang, C., Livny, M. and Ré, C. A machine reading system for assembling synthetic paleontological databases. PLoS ONE 9, 12 (2014).

Authors

Yolanda Gil, University of Southern California

Suzanne A. Pierce, The University of Texas Austin

Hassan Babaie, Georgia State University

Arindam Banerjee, University of Minnesota

Kirk Borne, Booz Allen Hamilton

Gary Bust, Johns Hopkins University

Michelle Cheatham, Wright State University

Imme Ebert-Uphoff, Colorado State University

Carla Gomes, Cornell University

Mary Hill, University of Kansas

John Horel, University of Utah

Leslie Hsu, Columbia University

Jim Kinter, George Mason University

Craig Knoblock, University of Southern California

David Krum, University of Southern California

Vipin Kumar, University of Minnesota

Pierre Lermusiaux, Massachusetts Institute of Technology

Yan Liu, University of Southern California

Chris North, Virginia Tech

Victor Pankratius, Massachusetts Institute of Technology

Shanan Peters, University of Wisconsin-Madison

Beth Plale, Indiana University Bloomington

Allen Pope, University of Colorado Boulder

Sai Ravela, Massachusetts Institute of Technology

Juan Restrepo, Oregon State University

Aaron Ridley, University of Michigan

Hanan Samet, University of Maryland

Shashi Shekhar, University of Minnesota

Katie Skinner, University of Michigan

Padhraic Smyth, University of California Irvine

Basil Tikoff, University of Wisconsin-Madison

Lynn Yarmey, National Snow and Ice Data Center

Jia Zhang, Carnegie Mellon University

Footnotes

Correspondence regarding this article should be directed to Yolanda Gil ([email protected]).

Copyright held by authors/owners.
Request permission to (re)publish from the owner/author

The Digital Library is published by the Association for Computing Machinery. Copyright © 2019 ACM, Inc.


Visualization of ash cloud predictions from Mount St. Helens

The U.S. Geological Survey (USGS) Volcano Hazards Program's visualization shows the projected ash cloud for three differently-sized, hypothetical eruptions of Mount St. Helens. The visualizations depict a simulation of the spread of volcanic ash, based on a combination of wind data from the National Oceanic and Atmospheric Administration (NOAA) and volcanologist-derived eruption size parameters.

These ash cloud projections are important for understanding the impacts of a volcanic eruption so that air space can be managed accordingly and communities at risk of ash fall can be warned. The visualization uses colors to represent the expected amount of ash in the atmosphere, with warmer colors representing more ash.

Please note: these models update regularly. The image shown above shows a single model for a hypothetical eruption on May 6th 2017. Please click on the link below for the most up-to-date prediction.


Simulation & Visualization : How to improve the visual understanding on complex dynamics on earth?

Visualizing images in order to better understand data coming from measures or simulations is a part of the process of scientific computation. A challenge in geovisualization is about how to improve the understanding of spatio-temporal phenomena of the real world, based on visual reasoning. The complexity of this issue comes from:

● the complexity of the spatio-temporal phenomena to interpret and analyze, such as the complexity of the related models.

● the amount of multi-sources multi-scales observations and simulated, predicted, annotated, learned, or raw data, and their imprecision,

● the complexity to co-visualize multiple heterogeneous and imprecise data, in order to get a comprehensive point of view on a phenomenon, based on the data interaction, at any scales.

The objective of this thematic session is to make researchers have a new perspective on their way to interpret their models and results. This thematic session aims at favoring a new dynamic of interdisciplinary research, between methodological communities based on spatial applications, for climate change issues. We expect abstract or full papers addressing:

 visualization or visual analysis and reasoning methods to support perception and interpretation of spatio-temporal data and related phenomena: graphic rendering, graphic representation, augmented reality, 3d visualization, map design, spatio-temporal visualization, data interaction, visual reasoning, etc.

 analysis and interpretation of spatial data, potentially requiring additional visual and interactive methods: how could geovisualization, at any spatio-temporal scales, help to:

o show and compare realistic simulations or scenarios

o interpret results from simulation, prediction or learning models

o interpret the gap between predicted or simulated and observed data, in order to refine a model

o support the automatic detection and identific

There is a need here to bring closer spatial, topographic, physical observations and models, and approaches, models and experiments for visualization and visual reasoning, on many possible applications, such as the following, but not exhaustive ones:

 Climate change simulation, urban climate, climate data visualization, urban heat islands

 Air pollution, pollutant dispersion

 Meteorological or weather prediction

 Water rising, flash flooding, marine submersion, tsunami simulation and scenarii

 Geosciences, earthquakes and cryosphere assessment and monitoring

 Spatial dynamics of land cover use or terrain on long-term scale

 Simulation of past or future urban morphology dynamics

 High temporal change detection, detection of high frequency events or weak signals

 Acoustic signal, microwave lengths, wind flow into streets

 Adaptive user interaction with learning models.

Why a thematic session at the ISPRS2020? New methodological approaches in geovisualization have to be explored while bringing together various scientific needs, knowledge and methods from the ISPRS community, according to the diversity of data and phenomena at stake. We aim at bringing researchers from outside ISPRS to come to geospatial issues and at federating ISPRS researchers from various Commissions around visualization and visual analysis issues.

2 March 2020: Notification for abstracts.

30 March 2020: Notification for full papers.

14-20 June 2020: ISPRS 2020 Conference

How to proceed to submit

A specific track will be created in the Conference Managing System in order to smoothly follow the papers of each session. It will be entitled “TS_SimVisu”. The papers will be reviewed through the regular stream. If a sufficient number of (abstract or full) papers is accepted, a specific thematic session will be set up.

Sidonie Christophe Co-Chair of the ISPRS WG IV/9, Paris-Est University, IGN-ENSG, LaSTIG, Leader of GeoVIS Team. Arzu Cöltekin, Christopher Pettit, Victoria Rautenbach, for the ISPRS WG IV/9.


This research was designed to examine Grade 9 learners’ temperature and heat conceptual development during problem solving using visualization assisted teaching method as well as conducting practical work using computer simulation-based teaching method. The correlation analysis revealed that visualization assisted teaching method has advantage in bringing better problem solving performance but simulation-based teaching method didn’t bring better experimentation performance due to experimentation activities limitation. The analysis based on think aloud protocol and verbal responses revealed that students in the experimental group were able to use visualization tools such as models, drawings, graphs, symbols to represent phenomena in order to develop basic science and mathematical conceptual understanding during problem solving and experimental tasks about heat and temperature. The questionnaire about learning gains revealed that lessons conducted by visualization assisted and simulation-based instruction brought better understanding of basic thermal concepts and relationships between the basic thermal concepts.

Keywords

Full Text:

Atsauces

Bezen, S., Bayrak, C., & Aykutlu, I. (2017). A case study on teaching of energy as a subject for 9th graders. European Journal of Science and Mathematics Education, 5(3), 243-261.

Bimba, A., Indris, N., Mahmud, R., Abdullah, R., Abdul-Rahman, S.-S., & Bong, C. H. (2013). Problem representation for understanding Physics problem. Research Notes in Information Science, 14, 621-625.

Cruz, C. (2005). Strategies for development of student problem solving skills in the high school physics classroom. USA: Western Michigan University.

Duran M., & Dökme, I. (2016). The effect of the inquiry-based learning approach on students’ critical thinking skills. Eurasia Journal of Mathematics, Science & Technology Education, 12(12), 2887-2908.

Elwan, A. (2007). Misconception in Physics. Journal of Arabization, 33, 77-103.

Gönen, S., & Kocakaya, S. (2010). A cross-age study on the understanding of heat and temperature. Eurasian Journal of Physics and Chemistry Education, 2(1), 1-15.

Hakyolu, H., & Ogan-Bekiroglu, F. (2016). Interplay between content knowledge and scientific argumentation. Eurasia Journal of Mathematics, Science, & Technology Education, 12(12), 3005-3033.

Harrison, A. (1996). Student difficulties in differentiating heat and temperature. Paper presented in 21st Annual Conference of the Western Australian Science Education Association, Perth, November, 1996.

Haryono, H. E., Aini, K. N., Samsudin, A., & Siahaan, P. (2021). Reducing the students’ misconceptions on the theory of heat through cognitive conflict instruction (CCI). AIP Conference Proceedings, 2330, 050001.

Hu, R., Wu, Y., & Shieh, J. (2016). Effects of virtual reality integrated creative thinking instruction on students’ creative thinking abilities. Eurasia Journal of Mathematics, Science, & Technology Education, 12(3), 477-486.

Ibrahim, B., & Rebello, S. N. (2013). Role of mental representations in problem solving: Students’ approaches to non directed tasks. Physical Review Special Topics-Physics Education Research, 9, 020106.

Johansson, J. (2014). Pedagogical vizualization of a non-ideal Carnot engine. Journal of Thermodynamics, 2014, 217187.

Jonassen, D. H. (2004). Learning to solve problems: An instructional design guide. USA: Pfeifer-Wiley.

Kaliampos, G., & Ravanis, K. (2019). Thermal conduction in metals: mental representations in 5-6 years old children’s thinking. Jurnal Ilmiah Pendidikan Fisika ‘Al-BiRuNi’, 8(1), 1-9.

Kambouri-Danos, M., Ravanis, K., Jameau, A., & Boilevin, J.-M. (2019). Precursor models and early years Science learning: a case study related to the mater state changes. Early Childhood Education Journal, 47(4), 475-488.

Kotsari, C., & Symrnaiou, Z. (2017). Inquiry-based learning and meaning generation through modelling on geometrical optics in a constructivist environment. European Journal of Science and Mathematics Education, 5(1), 14-27.

Kozhevnikov, M., Motes, A. M., & Hegarty, M. (2007). Spatial visualization in Physics problem solving. Cognitive Science, 31(2007), 549-579.

Kubsch, M., Nordine, J., Fortus, D., Krajcik J., & Neumann K. (2020). Supporting students in using energy ideas to interpret phenomena: The role of an energy representation. European Journal of Science and Mathematics Education, 18, 1635-1654.

Kurnaz, A. M., & Arslan, S. A. (2014). Effectiveness of multiple representations for learning energy concept: Case of Turkey. Procedia: Social and Behavioral Sciences, 116, 627-632.

Maskur, R., Latifah, S., Pricilia, A., Walid, A., & Ravanis, K. (2019). The 7E learning cycle approach to understand thermal phenomena. Jurnal Pendidikan IPA Indonesia, 8(4), 464-474.

Mayer, E. R. (2002). Rote versus meaningful learning. Theory into Practice, 41(4), 226-232.

McIldowie, E. (1998). Introducing temperature scales. Physics Education, 33, 368-372.

Nertivich, D. (2018). Concepts thermiques de base chez les élèves de 17 ans. European Journal of Education Studies, 4(2), 145-154.

Plass, L. J., Moreno, R. & Brünken, R (Eds.) (2010). Cognitive load theory. UK: Cambridge University Press.

Priyadi, R., Diantoro, M., Parno, P., & Helmi, H. (2019). An exploration of students’ mental models on heat and temperature: A preliminary study. Jurnal Penelitian Fisika dan Aplikasinya, 9(2), 114-122.

Ravanis, K. (2013). Mental representations and obstacles in 10-11 year old children’s thought concerning the melting and coagulation of solid substances in everyday life. Preschool and Primary Education, 1(1), 130-137.

Richard, W. T. (nd). Physics laboratory simulator. Saint Mary’s College. Retrieved from www.saintmarys.edu

Rodriguez, J., & Castro, D. (2014). Children's ideas of changes in the state of matter: Solid and liquid salt. Journal of Advances in Humanities, 1(1), 1-6.

Suliyanah, S., Putri, H. N. P. A., & Rohmawati, L. (2018). Identification student’s misconception of heat and temperature using three-tier diagnostic test. Journal of

Physics: Conference Series, 997, 012035.

Thomaz, M. F., Malaquias, I. M., Valente, M. C., & Antunes, M. J. (1995). An attempt to overcome alternative conceptions related to heat and temperature. Physics Education, 30, 19-26.

Tin, P. S. (2018). Élaboration expérimentale des représentions mentales des élèves de 16 ans sur les concepts thermiques. European Journal of Education Studies, 4(7), 141-150.

Tin, P. S. (2019). Un cadre méthodologique pour la démarche d’investigation : L’exemple du changement d’état de l’eau à l’âge de 8 ans. European Journal of Education Studies, 6(4), 1-12.

UNESCO. (2000). Prospects: the quarterly review of comparative education. XXIV, 3/4, 471-485.

Yeo, S., & Zadnik, M. (2001). Introductory thermal concept evaluation: Assessing students’ understanding. The Physics Teacher, 39, 495-504.

Zimmermann-Asta, M.-L. (1990). Concept de chaleur: Contribution à l'étude des conceptions d'élèves et de leurs utilisations dans un processus d'apprentissage. Thèse de doctorat, Genève: FPSE-Université de Genève.


Skatīties video: Earth, Parallels and Meridians, Latitude and Longitude IGEO TV