Пошаговое руководство с картинками для успешного, эффективного сотрудничества ученых, занимающихся науками о Земле, и обработчиками данных.
Стремительно нарастающее поступление новых данных в науках о Земле создает много возможностей для того, чтобы получить новые научные теории и ответить на важные вопросы.
Обработка данных всегда была неотъемлемым компонентом исследований и образования в сфере наук о Земле, но основная масса геофизиков до сих пор не имеет представления о недавно созданных методах в компьютерных науках, статистике и математике.
Самый быстрый способ применить эти новые методы анализа данных в науках о Земле – это сотрудничество геофизиков и обработчиков данных. Однако, представляется затруднительным организовать подобное сотрудничество, не говоря уже о том, чтобы осуществить руководство и привести к успешным результатам.
Мы решили разбить процесс сотрудничества на этапы и дать некоторые методические рекомендации, которые кажутся нам полезными для обеспечения эффективного сотрудничества между геофизиками и обработчиками данных. Создавая эту структуру, мы опирались на обсуждения со многими исследователями, работающими в смежных областях, и на наш собственный опыт, накопленный более, чем за шесть лет сотрудничества в данных сферах науки.
Научные открытия, основанные на полученных данных
Методы анализа данных, о которых мы говорим, помогают найти новые знания: обнаружить характерные особенности, раскрыть взаимодействия между различными процессами или дать новый взгляд на вещи, которые могут быть интерпретированы геофизиками и неожиданно привести к пониманию различных физических эффектов. Мы относимся к таким методам как к способу совершить научное открытие на основе данных.
Некоторые из этих новых методов происходят из области глубокого обучения (используют искусственные нейронные сети), причинно-следственных открытий (используют вероятностные графические модели, которые описывают причинно-следственные связи), и самоорганизующихся карт.
Искусственные нейронные сети, например, использовались для прогнозирования качества воздуха и предсказания плохой погоды. Эти сети были использованы для получения нелинейных передаточных функций, которые преобразовывают наблюдения в важные геофизические параметры. Причинно-следственные открытия использовались для того, чтобы идентифицировать поток информации (пути между причиной и эффектом) в атмосфере всего земного шара. Самоорганизующиеся карты становятся предпочтительным инструментом для классификации повторяющихся особенностей атмосферных потоков, таких, как струйные потоки.
Детали
https://eos.org/opinions/three-steps-to-successful-collaboration-with-da...
