أكثر

التصورات والمحاكاة - علوم الأرض

التصورات والمحاكاة - علوم الأرض


التصورات والمحاكاة - علوم الأرض

7 التصورات والمحاكاة

كمساعدة في حل حوادث الوصول ، يمكنك إنشاء تصورات. هذه صور بيانية للمسارات التي تقود المستخدمين إلى الأدوار المعينة لهم وفي النهاية إلى نقاط الوصول المتعارضة. يمكنك أيضًا إنشاء عمليات محاكاة ، والتي تقوم بمعاينة تأثيرات الخطوات التي قد تتخذها لحل تعارضات الوصول. قد تكون هذه العناصر مرتبطة ببعضها البعض: يمكن أن تركز المحاكاة على حل التعارضات التي تتضمن نقاط الوصول الموضحة في التصور.

تُستخدم عمليات التمثيل المرئي والمحاكاة فقط في فهم حوادث الوصول وحلها. ليس لديهم أي تطبيق على حوادث المعاملات.


التصور

MATLAB هي أداة قوية لتزويد الطلاب بالقدرة على تصور البيانات من مجموعة متنوعة من المصادر وفهم الأنظمة المعقدة وتمثيل البيانات المعقدة. يمكن للطلاب تصور البيانات ومعالجتها لمعرفة كيف تتصرف البيانات. يمكن للطلاب أيضًا تصور كيفية تصميم معادلات علوم الأرض الأساسية ، مثل تدفق الحرارة عبر الغلاف الصخري المحيطي. بالإضافة إلى الفوائد الشاملة لـ MATLAB ، فإن MATLAB يفسح المجال لهذا النوع من الاستكشاف والتصور من خلال:

  • مرن للغاية ويمكن تخصيصه بسهولة
  • مضبوطة للبيانات العلمية - خطوط المسح والمتجه
  • قادرة على العرض في الخريطة

يوفر معرض MathWorks ، MATLAB Plot أمثلة على العديد من الطرق التي يمكن بها تمثيل البيانات بشكل مرئي في البرنامج.


التصور وتفسير الحجم في علوم الأرض: الزلزالية ثلاثية الأبعاد وما بعدها

تُحدث تقنيات تفسير الحجم ثورة في الطريقة التي يفسر بها علماء الجيولوجيا البيانات الزلزالية ويقوم المهندسون بتقييم الخزانات ، وبالتالي تحسين دقة التنبؤات الجوفية. شهد تطوير وتطبيق تقنيات التصور وتفسير الحجم في علوم الأرض البترولية تغيرًا سريعًا خلال العقد الماضي. يقدم هذا التاريخ دراسة حالة مثيرة للاهتمام لتطور التكنولوجيا من الأفكار المبكرة ، إلى التطبيق ، إلى رؤى المستقبل. إنها إحدى تلك الحالات التي اجتمعت فيها التكنولوجيا والبيانات والأسئلة وعلماء الأرض معًا في الوقت المناسب للسماح بإحداث تقدم كبير وتأثير كبير. إنها أيضًا قصة عن التوتر العرضي بين التكنولوجيا والعلوم.

تُستمد إمكانات تفسير الحجم والتصور من تكامل أجهزة الكمبيوتر القوية وتكنولوجيا العرض المتقدمة والبرامج التجارية والمملوكة ومهارات علوم الأرض الشاملة. تم تصميم تقنيات التصور لعرض البيانات متعددة الأبعاد بينما تم تصميم تقنيات تفسير الحجم لتحليل البيانات متعددة الأبعاد. هذه هي التقنيات التي تعمل على تحسين جودة وكفاءة التفسير السيزمي ثلاثي الأبعاد ، وتوفر إمكانات جديدة للتعاون ، وتوفر بيئة لتحسين التكامل.

تطور تفسير الحجم من التصور. في البداية ، كنا ننظر ببساطة إلى الآفاق والعيوب ، باستخدام التعتيم واللون مع عرض الحجم ، والقيام باكتشاف بسيط للبذور. نظرًا للتآزر بين تطوير الأجهزة والبرامج ، والتركيز المخصص على البحث والتطبيق ، فإن تفسير الحجم له تأثير أكبر بشكل متزايد على مجموعة متنوعة من الأنشطة بما في ذلك: استكشاف أحجام البيانات الزلزالية ثلاثية الأبعاد الجديدة ، والفحص السريع واستخراج الهيدروكربونات الشذوذات الزلزالية ذات الصلة ، ورسم الخرائط السريعة للآفاق والأعطال ، والتوصيف متعدد السمات للخزانات لاستخدامها في النمذجة الجيولوجية ومحاكاة التدفق ، والمعالجة الزلزالية ، والتخطيط التفاعلي ثلاثي الأبعاد للآبار. سنناقش تطور هذه التقنيات من منظور المنظمات المختلفة ووصف كيف تتناسب مع سير العمل العام لعلوم الأرض في المنبع. ستوضح مجموعة متنوعة من الأمثلة تطبيق وتأثير تفسير الحجم لأنشطة علوم الأرض والهندسة بما في ذلك تفسير الأخطاء وتوصيف المكامن وتحليل أنظمة الهيدروكربون.

على الرغم من أن تقنيات تفسير الحجم والتصور أصبحت مكانًا شائعًا في علوم الأرض الأولية ، وقد تم إثبات قيمتها لأعمالنا ، إلا أن الإدراك الكامل لتأثيرها لا يزال أمامنا. نحن ندرس كيف ستعمل تقنيات التفسير الغامر والمتعدد الحواس على تحسين طريقة تفسيرنا لبياناتنا الجوفية والتواصل مع الآخرين. على الرغم من أنه يجب التغلب على العديد من التحديات قبل أن تصبح هذه التقنيات جاهزة للتطبيق العام ، إلا أن المستقبل يبشر بالخير. أصبحت تقنية التعاون عن بُعد الفعالة الآن قادرة على تسهيل التعاون المرئي وتفسير الحجم على نطاق عالمي مما يسمح بنشر أسرع للأفكار والتكنولوجيا والخبرة عبر مجموعة واسعة من المشاريع التجارية. على الرغم من أن تطبيق هذه التقنيات للتفسير السيزمي ثلاثي الأبعاد والتكامل بين علوم الأرض والهندسة سيظلان مهمين للغاية ، فإن التطبيق لأغراض رسملة المعرفة سيكون له تأثير عميق في النهاية. الأحواض الرسوبية والأنظمة الهيدروكربونية المرتبطة بها هي أنظمة معقدة نحاول أن نقدم عنها تنبؤات محددة للغاية. التصور وتفسير الحجم له مستقبل مثير كأدوات تستخدم في البحث عن الأنماط داخل هذه الأنظمة ، ومن تلك الأنماط ، تحسين الفهم.

عن المؤلفين)

تعليم:
1979 جامعة كاليفورنيا - ريفرسايد بي إس جيولوجيا
1981 جامعة كاليفورنيا - ريفرسايد إم إس جيولوجيا
1985 دكتوراه من جامعة أريزونا ، علوم الأرض (الجوراسية القديمة المغناطيسية ، وحركة الصفيحة في أمريكا الشمالية ، وتكتونية كورديليران)

خبرة:
1985 حتى الآن شركة ExxonMobil Upstream Research Company (المعروفة سابقًا باسم Exxon Production Research) ، هيوستن ، تكساس

الأنشطة البحثية:
إعادة بناء الصفائح والجغرافيا القديمة ، التكتونية الإقليمية ، تحليل الأحواض ، هجرة الهيدروكربون ، التصور وتفسير الحجم. 1995-2002: باحث جيولوجي ورئيس الفريق الفني لمجموعة ExxonMobil المرئية وتفسير الحجم. مسؤول حاليًا عن التكامل التقني في مشروع بحثي يستهدف مفاهيم الاستكشاف الجديدة من خلال تكامل الديناميكا الجيولوجية ونمذجة الأحواض وتقنيات التنبؤ بعناصر اللعب.

أوراق وملخصات عن التفسير الزلزالي ثلاثي الأبعاد وتطبيقات تطور أحواض المغنطيسية القديمة للهجرة الهيدروكربونية وحركة الصفائح والتكتونية.

مؤلف مشارك في & ldquo Interactive Seismic Facies Classification باستخدام السمات التركيبية والشبكات العصبية ، & rdquo (حاز على جائزة أفضل ورقة لعام 2002 في SEG & rsquos The Leading Edge).

مراجع

الملاحق

انضم إلى المحادثة

هل أنت مهتم ببدء محادثة أو المساهمة فيها حول مقالة أو مشكلة في المسجل؟ انضم إلى مجموعة CSEG LinkedIn الخاصة بنا.


محررو العدد الخاص

في المجالات الجيولوجية ، أصبحت التقنيات الحسابية مثل الحوسبة الرقمية والتصور والمحاكاة ضرورية لتحسين فهمنا للظواهر وتطور نظام الأرض. في هذه الأيام ، تعتمد كل من الأكاديمية والصناعة بشكل كبير على الأدوات الحسابية لعملهم في علم الأرض. يعد التعلم الآلي والواقع الافتراضي والواقع المعزز والذكاء الاصطناعي مجالات تطوير نشطة لتقنيات وتطبيقات علم الأرض الجديدة. نحن ننظم هذا العدد الخاص لتقديم نظرة عامة متعددة التخصصات لبحوث علوم الأرض ودراسات الحالة التطبيقية التي تنطوي على تقنيات حسابية. من خلال جمع هذه الأعمال الجيولوجية الحاسوبية في عدد واحد ، نهدف إلى تعزيز فهمنا وتحديد التحديات وتمكين التعاون في المستقبل باستخدام هذه التقنيات الحديثة.

يسلط هذا العدد الخاص الضوء على التطورات والتطبيقات في علوم الأرض الحسابية ، والتي تشمل النظرية ، والأساليب العددية ، وتطوير البرمجيات ، والتصميم العلمي ، والممارسات الميدانية. كل من أعمال علوم الأرض النظرية والتطبيقية مدعوة لتقديمها إلى هذا العدد الخاص. يغطي الموضوع والتطبيق جميع الجوانب الكمية للنماذج التي تصف وتفسر نظام الأرض. نرحب بالمساهمات من جميع تخصصات علوم الأرض ، مثل الجيولوجيا والجيوفيزياء والبتروفيزياء والجغرافيا والجيوكيمياء والبيئة والهيدرولوجيا والبيئة وعلوم الغلاف الجوي والفضاء. نشجع العلماء والمهندسين والطلاب على تقديم التطورات التكنولوجية الحديثة والتطبيقات ودراسات الحالة وتقديم أحدث الإمكانات لتصور البيانات ذات المرجعية الجغرافية.

د. اون يونغ لي
الدكتورة أناريتا دادابو
د. ديميتريوس بيريتزيديس
المحررين الضيوف

معلومات تقديم المخطوطات

يجب تقديم المخطوطات عبر الإنترنت على www.mdpi.com من خلال التسجيل وتسجيل الدخول إلى هذا الموقع. بمجرد التسجيل ، انقر هنا للذهاب إلى نموذج التقديم. يمكن تقديم المخطوطات حتى الموعد النهائي. سيتم مراجعة جميع الأوراق من قبل الأقران. سيتم نشر الأوراق المقبولة باستمرار في المجلة (بمجرد قبولها) وسيتم إدراجها معًا على موقع الإصدار الخاص. المقالات البحثية ، مقالات المراجعة وكذلك الاتصالات القصيرة مدعوة بالنسبة للأوراق المخططة ، يمكن إرسال عنوان وملخص قصير (حوالي 100 كلمة) إلى مكتب التحرير للإعلان على هذا الموقع.

يجب ألا تكون المخطوطات المقدمة قد نُشرت سابقًا ، أو أن تكون قيد الدراسة للنشر في مكان آخر (باستثناء أوراق وقائع المؤتمرات). يتم تحكيم جميع المخطوطات بدقة من خلال عملية مراجعة الأقران أحادية التعمية. يتوفر دليل للمؤلفين ومعلومات أخرى ذات صلة لتقديم المخطوطات في صفحة إرشادات المؤلفين. علوم الأرض هي مجلة شهرية دولية مفتوحة الوصول تخضع لمراجعة الأقران تنشرها MDPI.

يرجى زيارة صفحة تعليمات المؤلفين قبل إرسال المخطوطة. رسوم معالجة المقالة (APC) للنشر في مجلة الوصول المفتوح هذه هي 1500 فرنك سويسري (فرنك سويسري). يجب أن تكون الأوراق المقدمة منسقة بشكل جيد وأن تستخدم اللغة الإنجليزية بشكل جيد. يمكن للمؤلفين استخدام خدمة تحرير اللغة الإنجليزية الخاصة بـ MDPI قبل النشر أو أثناء مراجعات المؤلف.


محاكاة. انها في كل مكان.

هذه أوقات مثيرة في Tech Soft 3D لأن هذه أوقات مثيرة في صناعتنا.

إلى جانب التحول المستمر إلى البنى القائمة على السحابة ، نشهد انفجارًا في التطوير ثلاثي الأبعاد المتعلق بالصناعة 4.0 ، و AR / VR ، والتصميم التوليدي ، والتصنيع الإضافي ، والتصنيع الرقمي كخدمة ، وإنترنت الأشياء ، والبناء الرقمي والمزيد.

يتمثل أحد الاتجاهات الكلية التي تغطي جميع القطاعات تقريبًا في أهمية المحاكاة المتكاملة وتحليل أمبير ، والتي يشير إليها الكثيرون باسم الهندسة بمساعدة الكمبيوتر (CAE). منذ سنوات ونحن نشهد CAE يقترب أكثر من CAD. لطالما كان هذا مهمًا لمساعدة المصمم على التكرار من خلال الخيارات وهو مهم بشكل خاص في عالم التصميم التوليدي ، حيث ينشئ البرنامج المئات (أو أكثر) من خيارات التصميم. يعد وجود تحليل مدمج أمرًا بالغ الأهمية لمساعدة المصمم على فرز العديد من الخيارات القابلة للتطبيق للعثور على الخيارات المثلى من وجهة نظر اختيار النموذج والوظيفة والمواد.

نرى أيضًا أن CAE تلعب دورًا في برمجيات التصنيع الإضافي لضمان إمكانية إنتاج النموذج بالفعل بمواد معينة دون تشوه وفي حدود التسامح. تستخدم تطبيقات القياس أيضًا تقنيات التصور CAE لتوضيح التباين بين الجزء المصمم والجزء المنتج. أخيرًا ، يحتاج العارضون ثلاثي الأبعاد - النوع الموجود في جميع أنظمة PLM - إلى عرض ليس فقط الأجزاء وتجميعات أمبير ، ولكن أيضًا بيانات نتائج CAE الغنية المرتبطة بها.

ليس من المستغرب أنه على مدار سنوات عديدة ، كانت هناك حركة لدفع CAE أقرب إلى مرحلة التصميم وإضافة قيمة عبر جميع أجزاء المنتج المُصنَّع الواسع أو دورات حياة البناء والتشييد. كان أحد العوائق التي تحول دون تحقيق هذا "الكأس المقدسة" هو قوة الكمبيوتر ، نظرًا للاحتياجات الحاسوبية المكثفة لـ CAE. كان الآخر هو الأنواع المختلفة من التصور المطلوب في مرحلتي التصميم والتحليل. بينما نستمر في رؤية تحول نحو البنى القائمة على السحابة ، يتم التعامل مع مشكلة طاقة الحوسبة. هذا يترك قضية التصور.

عندما نظرنا إلى محفظتنا المتنامية من SDK ، سألنا أنفسنا كيف يمكننا مساعدة المطورين على التعامل بشكل أفضل مع تصور بيانات CAE. كانت إجابتنا هي توحيد الجهود مع القائد بلا منازع في هذا المجال ، Ceetron AS ، وإدخالهم في عائلة Tech Soft 3D. لا يمكننا أن نكون أكثر حماسًا بشأن موظفي Ceetron ومنتجاتها وشركائها وإمكانياتها.

نعتقد أن مكونات Ceetron الحالية هي إضافة رائعة إلى مجموعتنا الواسعة من SDK لأنها توفر لنا حلاً رائدًا في السوق يكمل بشكل رائع تقنيات HOOPS الخاصة بنا. تقنية HOOPS Visualize هي محرك تصور هندسي للعديد من أنواع التطبيقات ، مع قوة خاصة في التعامل مع التطبيقات والنماذج من نوع CAD. تقدم Ceetron AS قدرات رائدة في السوق للتعامل مع احتياجات التصور الفريدة والمتقدمة لتطبيقات CAE.

نحن أيضًا متحمسون للغاية بشأن الاحتمالات التي لدينا للجمع بين نقاط القوة لدينا بطرق جديدة لإنشاء عروض قوية تشمل العناصر الرئيسية التي يحتاجها المطورون ، بما في ذلك استيراد بيانات CAD ، والنمذجة ، والتفاعل من نوع CAD ، وتصور CAE ونشر البيانات.

نتطلع إلى التعاون مع زملائنا الجدد في حل يجمع بين قوة تقنياتنا لتلبية احتياجات أي مطور يحتاج إلى التعامل مع بيانات نتائج التصور CAE في مجموعة متنوعة من السياقات وأنواع التطبيقات.


شارك هذا العدد الخاص

الغرض من هذا العدد الخاص هو تجميع مجموعة أو أوراق تصف طبيعة وأسباب ونتائج حركات السوائل المتنوعة التي تحدث في الأحواض. ستوفر الأوراق منظورًا لما يمكن إضافته في الجيل التالي من نماذج الأحواض. تصف الأوراق الاثني عشر الملتزمة بالفعل تأثير تسلل عتبة الصخور المنصهرة وترحيل الملح على النضج (بما في ذلك حركات الصدع) ، وحركات الغاز في بحر الصين الجنوبي ، ونضج صخور المصدر الباليوزويك في حوض يانوس بكولومبيا ، والتنفيس الديناميكي لغاز H2 من تكوينات الباليوزويك ، والتغيير وتعديل النفاذية المتعلقة بهجرة البترول ، وتأثير التجمعات الجليدية المتعددة على النضج والهجرة ، واكتشاف مسارات التدفق باستخدام تقنيات الزلازل السلبية. يمكن أن تتناول الأوراق التي لم يتم الالتزام بها بعد الهجرة الثانوية ، وتحديد الموصلية الحرارية من ملفات سجل البئر ، وامتصاص الغاز بعد تفريغ الأنهار الجليدية. يمكن أيضًا تضمين الأسئلة الأساسية مثل سمك الغلاف الصخري القاري وتوصيف موارد الهيدروكربون غير التقليدية.

سيكون المجلد متاحًا مجانًا عبر الإنترنت والتكلفة لكل مؤلف قليلة جدًا ، لذا فإن تأثيره سيعتمد على جودة وجدة الأوراق المضمنة. هدفنا هو توزيع وتحديث قائمة بالعناوين المؤقتة حيث يتم الالتزام بالأبحاث حتى يتمكن المؤلفون من رؤية كيف تتناسب مساهمتهم مع السياق العام للمجلد. سيتم نشر المقالات بمجرد قبولها. الموعد النهائي المقترح في 31 أغسطس 2019 ليس موعدًا نهائيًا محددًا للحجم. سيتم قبول المساهمات الهامة بعد هذا التاريخ.

د. ويلي فيلدسكار
البروفيسور لورانس كاثليس
المحررين الضيوف

معلومات تقديم المخطوطات

يجب تقديم المخطوطات عبر الإنترنت على www.mdpi.com من خلال التسجيل وتسجيل الدخول إلى هذا الموقع. بمجرد التسجيل ، انقر هنا للذهاب إلى نموذج التقديم. يمكن تقديم المخطوطات حتى الموعد النهائي. سيتم مراجعة جميع الأوراق من قبل الأقران. سيتم نشر الأوراق المقبولة باستمرار في المجلة (بمجرد قبولها) وسيتم إدراجها معًا على موقع الإصدار الخاص. المقالات البحثية ، مقالات المراجعة بالإضافة إلى الاتصالات القصيرة مدعوة. بالنسبة للأوراق المخططة ، يمكن إرسال عنوان وملخص قصير (حوالي 100 كلمة) إلى مكتب التحرير للإعلان على هذا الموقع.

يجب ألا تكون المخطوطات المقدمة قد نُشرت سابقًا ، أو أن تكون قيد الدراسة للنشر في مكان آخر (باستثناء أوراق وقائع المؤتمرات). يتم تحكيم جميع المخطوطات بدقة من خلال عملية مراجعة أقران أعمى واحدة. يتوفر دليل للمؤلفين والمعلومات الأخرى ذات الصلة لتقديم المخطوطات في صفحة إرشادات المؤلفين. علوم الأرض هي مجلة شهرية دولية مفتوحة الوصول تخضع لمراجعة الأقران تنشرها MDPI.

يرجى زيارة صفحة تعليمات المؤلفين قبل إرسال المخطوطة. رسوم معالجة المقالة (APC) للنشر في مجلة الوصول المفتوح هذه هي 1500 فرنك سويسري (فرنك سويسري). يجب أن تكون الأوراق المقدمة منسقة بشكل جيد وأن تستخدم اللغة الإنجليزية بشكل جيد. يمكن للمؤلفين استخدام خدمة تحرير اللغة الإنجليزية الخاصة بـ MDPI قبل النشر أو أثناء مراجعات المؤلف.


الأنظمة الذكية لعلوم الأرض: أجندة بحث أساسية

تطرح العديد من جوانب علوم الأرض مشاكل جديدة لأبحاث الأنظمة الذكية. تمثل بيانات علوم الأرض تحديًا لأنها تميل إلى أن تكون غير مؤكدة ومتقطعة ومتفرقة ومتعددة الحلول ومتعددة المقاييس. غالبًا ما يكون لعمليات وكائنات علوم الأرض حدود زمانية مكانية غير متبلورة. يؤدي الافتقار إلى الحقيقة الأساسية إلى صعوبة تقييم النموذج واختباره ومقارنته. يتطلب التغلب على هذه التحديات اختراقات من شأنها أن تحول الأنظمة الذكية بشكل كبير ، مع الاستفادة بشكل كبير من علوم الأرض بدورها. على الرغم من وجود تفاعلات مهمة ومفيدة بين الأنظمة الذكية ومجتمعات علوم الأرض ، 4،12 إمكانية البحث التآزري في الأنظمة الذكية لعلوم الأرض غير مستغلة إلى حد كبير. تم إطلاق شبكة تنسيق الأبحاث حول الأنظمة الذكية لعلوم الأرض التي تم إطلاقها مؤخرًا عقب ورشة عمل في مؤسسة العلوم الوطنية حول هذا الموضوع. 1 تعتمد هذه الشبكة المتوسعة على زخم مبادرة NSF EarthCube لعلوم الأرض ، وهي مدفوعة بالمشاكل العملية في علوم الأرض والمحيطات والغلاف الجوي والقطبي وعلوم الفضاء الجغرافي. 11 بناءً على المناقشات والأنشطة داخل هذه الشبكة ، تقدم هذه المقالة أجندة بحثية للأنظمة الذكية المستوحاة من تحديات علوم الأرض.

الأفكار الرئيسية

تهدف أبحاث علوم الأرض إلى فهم الأرض كنظام للعمليات الطبيعية المعقدة عالية التفاعل وتفاعلها مع الأنشطة البشرية. النهج الحالية لها أوجه قصور أساسية نظرا لتعقيد بيانات علوم الأرض. أولاً ، لا يكفي استخدام البيانات وحدها لإنشاء نماذج للظواهر المعقدة للغاية قيد الدراسة ، لذا يجب أخذ النظريات السابقة في الاعتبار. ثانيًا ، يمكن أن يكون جمع البيانات أكثر فاعلية إذا تم توجيهه باستخدام المعرفة حول النماذج الحالية للتركيز على البيانات التي ستحدث فرقًا. ثالثًا ، يتطلب الجمع بين البيانات والنماذج المتباينة عبر التخصصات التقاط المؤهلات والسياق الشامل والتفكير مليًا لتمكين تكاملها. هذه كلها أمثلة توضيحية للحاجة إلى أنظمة ذكية غنية بالمعرفة تتضمن قدرًا كبيرًا من المعرفة بعلوم الأرض.

يبدأ المقال بنظرة عامة على تحديات البحث في علوم الأرض. ثم يقدم أجندة بحثية ورؤية لنظام ذكي لمواجهة تلك التحديات. ويختتم بنظرة عامة على الأنشطة الجارية في شبكة الأبحاث المشكلة حديثًا للأنظمة الذكية لعلوم الأرض والتي تعزز المجتمع لمتابعة أجندة البحث متعددة التخصصات.

إن وتيرة تحقيقات علوم الأرض اليوم لا تكاد تواكب الإلحاح الذي تقدمه الاحتياجات المجتمعية لإدارة الموارد الطبيعية ، والاستجابة للأخطار الجغرافية ، وفهم الآثار طويلة المدى للأنشطة البشرية على هذا الكوكب. 6،7،8،9،10،11 بالإضافة إلى ذلك ، فإن الزيادات الأخيرة غير المسبوقة في توافر البيانات إلى جانب التركيز القوي على الدوافع المجتمعية تؤكد على الحاجة إلى البحث الذي يتجاوز حدود المعارف التقليدية. تواجه التخصصات المختلفة في علوم الأرض هذه التحديات من دوافع ووجهات نظر مختلفة:

  • معدلات التنبؤ بتغير مستوى سطح البحر في الرفوف الجليدية القطبية: يواجه العلماء القطبيون ، جنبًا إلى جنب مع علماء الغلاف الجوي والمحيطات ، حاجة ملحة لفهم ارتفاع مستوى سطح البحر حول العالم. تمثل بيئات الجرف الجليدي بيئات قاسية لأخذ العينات والاستشعار. الجهود الحالية لجمع البيانات المحسوسة محدودة وتستخدم الروبوتات المربوطة مع تكرار أخذ العينات التقليدي وقيود الجمع. إن القدرة على جمع بيانات شاملة حول الظروف عند أو بالقرب من الرفوف الجليدية ستعلم فهمنا للتغيرات في أنماط دوران المحيطات ، بالإضافة إلى ردود الفعل مع دوران الرياح. ستدعم الأبحاث الجديدة حول أجهزة الاستشعار الذكية جمع البيانات الانتقائي ، وتحليل البيانات على متن الطائرة ، وتوجيه المستشعر التكيفي يمكن للمنصات الروبوتية الغاطسة الجديدة اكتشاف المواقف المثيرة للاهتمام والاستجابة لها أثناء ضبط ترددات الاستشعار التي يمكن تشغيلها اعتمادًا على البيانات التي يتم جمعها في الوقت الفعلي.
  • فتح وقت عمق الأرض: يركز علماء الأرض على فهم ديناميكيات الأرض ، بما في ذلك باطن الأرض أو عمق الأرض (مثل التكتونية وعلم الزلازل والمجالات المغناطيسية أو الجاذبية والنشاط البركاني) والأرض القريبة من سطح الأرض (مثل الدورة الهيدرولوجية ودورة الكربون ودورة إنتاج الغذاء ودورة الطاقة). بينما يتم جمع البيانات من الميدان بواسطة أفراد في مواقع محددة ، فإن المشكلات قيد الدراسة تغطي مناطق شاسعة مكانيًا من الكوكب. علاوة على ذلك ، كان العلماء يجمعون البيانات في أوقات مختلفة في أماكن مختلفة ويبلغون عن النتائج في مستودعات منفصلة وفي كثير من الأحيان منشورات غير متصلة. وقد أدى ذلك إلى ضعف الترابط في جمع المعلومات مما يجعل من الصعب للغاية إجراء تحليلات على نطاق واسع ومن المستحيل إعادة إنتاجها. أنظمة الأرض متكاملة ، لكن بيانات ونماذج علوم الأرض الحالية ليست كذلك. لكشف أسئلة مهمة حول موضوعات ، مثل Deep Earth Time ، يحتاج علماء الأرض إلى أنظمة ذكية لدمج البيانات بكفاءة من مواقع وأنواع بيانات متباينة وجهود جمع ضمن منطقة واسعة.
  • توقع أحداث الغلاف الجوي والفضاء الجغرافي الحرجة: تهدف أبحاث علوم الغلاف الجوي والفضاء إلى تحسين فهم الغلاف الجوي للأرض وترابطه مع جميع مكونات الأرض الأخرى ، وفهم الديناميكيات الفيزيائية المهمة والعلاقات والاقتران بين تيار الرياح الشمسية الحادث والغلاف المغناطيسي والغلاف الجوي المتأين ، والغلاف الحراري للأرض. تبحث أبحاث الغلاف الجوي في الظواهر التي تعمل من المقاييس المكانية الكوكبية إلى المقاييس المكانية الدقيقة ومن آلاف السنين إلى الميكروثانية. على الرغم من أن البيانات التي تم جمعها كبيرة جدًا ، إلا أنها ضئيلة نظرًا لتعقيد الظواهر قيد الدراسة. لذلك ، يجب زيادة البيانات المتاحة بمعرفة القوانين الفيزيائية الكامنة وراء الظواهر من أجل إنشاء نماذج فعالة.
  • كشف التفاعلات بين المحيطات والأرض والجو والجليد: تعتمد قدرتنا على فهم نظام الأرض اعتمادًا كبيرًا على قدرتنا على دمج نماذج علوم الأرض عبر الزمان والمكان والانضباط. وهذا يتطلب مناهج متطورة تدعم التركيب واكتشاف البنية وتشخيص وتعويض أخطاء النموذج المركب والشكوك ، وإنشاء تصورات غنية للمعلومات متعددة الأبعاد التي تأخذ في الاعتبار سياق العالم.

يوضح الشكل المصاحب اتجاهات أبحاث الأنظمة الذكية المستوحاة من تحديات علوم الأرض هذه ، المنظمة على مستويات مختلفة. تتطلب دراسة الأرض كنظام قدرات جديدة بشكل أساسي لجمع البيانات أينما ومتى كان ذلك مهمًا ، ودمج الملاحظات المعزولة في دراسات أوسع ، لإنشاء نماذج في غياب بيانات شاملة ، وتوليف نماذج من تخصصات ومقاييس متعددة. إن التقدم في الأنظمة الذكية لتطوير منصات استشعار أكثر قوة ، وتكامل معلومات أكثر فعالية ، وخوارزميات تعلم آلي أكثر قدرة ، وبيئات تفاعلية ذكية لديها القدرة على تغيير ممارسات أبحاث علوم الأرض بشكل كبير وتوسيع طبيعة المشاكل قيد الدراسة.


شكل. أبحاث الذكاء الاصطناعي.

خارطة طريق لأبحاث الأنظمة الذكية مع فوائد لعلوم الأرض

تتميز ظواهر أنظمة الأرض بعمليات غير خطية ، ومتعددة الحلقات ، ومتعددة المقاييس ، وغير متجانسة ، وديناميكية للغاية. تواجه أبحاث علوم الأرض أيضًا تحديات بسبب الأحداث المتطرفة والتحولات طويلة المدى في أنظمة الأرض. البيانات المتاحة متقطعة ، ولديها مصادر كبيرة لعدم اليقين ، وهي متفرقة للغاية بالنظر إلى التعقيد والظواهر الغنية قيد الدراسة. لذلك ، يجب استكمال حجم العينة الصغير لمجموعات البيانات بالمبادئ العلمية التي تقوم عليها عمليات علوم الأرض من أجل توجيه اكتشاف المعرفة. على سبيل المثال ، يمكن أن يساعد تغليف المعرفة حول العمليات الفيزيائية التي تحكم مجموعات بيانات نظام الأرض في تقييد تعلم العلاقات غير الخطية المعقدة في تطبيقات علوم الأرض ، مما يضمن نتائج متسقة من الناحية النظرية. نحن بحاجة إلى مناهج تعزز التقدم في البحث القائم على البيانات بأساليب تستغل معرفة المجال والمبادئ العلمية التي تحكم الظواهر قيد الدراسة. ستحتاج هذه الأنظمة المدركة لعلوم الأرض إلى دمج المعرفة الواسعة حول الظواهر التي تجمع بين العوامل الفيزيائية والجيولوجية والكيميائية والبيولوجية والبيئية والمتعلقة بالشكل البشري.

ستؤدي مجموعة الأبحاث هذه إلى جيل جديد من الأنظمة الذكية الغنية بالمعرفة والتي تحتوي على معرفة غنية وسياق بالإضافة إلى البيانات ، مما يتيح أشكالًا جديدة من التفكير والاستقلالية والتعلم والتفاعل.

ستؤدي مجموعة الأبحاث هذه إلى ظهور جيل جديد من أنظمة ذكية غنية بالمعرفة التي تحتوي على معرفة غنية وسياق بالإضافة إلى البيانات ، مما يتيح أشكالًا جديدة من التفكير والاستقلالية والتعلم والتفاعل. تركز التحديات البحثية لإنشاء أنظمة ذكية غنية بالمعرفة على خمسة مجالات رئيسية:

  1. تمثيل المعرفة والتقاطها: الحصول على المعرفة العلمية حول العمليات والنماذج والفرضيات.
  2. الاستشعار والروبوتات: ترتيب أولويات جمع البيانات على أساس المعرفة العلمية المتاحة.
  3. تكامل المعلومات: تمثيل البيانات والنماذج كنظام & quots من الأنظمة & quot حيث تكون جميع المعارف مترابطة.
  4. التعلم الالي: إثراء الخوارزميات بالمعرفة ونماذج العمليات الأساسية ذات الصلة.
  5. واجهات وأنظمة تفاعلية: استكشاف وفهم سياق المستخدم باستخدام المعرفة المترابطة.

نصف هذه المجالات الخمسة بدورها. لكل مجال ، نقدم اتجاهات بحثية رئيسية تليها رؤية شاملة لهذا المجال.

تمثيل المعرفة والتقاطها. من أجل إنشاء أنظمة ذكية غنية بالمعرفة ، يجب تمثيل المعرفة العلمية ذات الصلة بعمليات علوم الأرض والتقاطها ومشاركتها بشكل صريح.

  1. تمثيل البيانات العلمية والبيانات الوصفية. يجمع علماء الجيولوجيا بيانات أكثر من أي وقت مضى ، لكن البيانات الأولية الموجودة على خوادم معزولة قليلة الفائدة. يتيح العمل الأخير على معايير البيانات المفتوحة الدلالية والمرتبطة نشر مجموعات البيانات بتنسيقات الويب القياسية مع تراخيص الوصول المفتوح ، وإنشاء روابط بين مجموعات البيانات لمزيد من التشغيل البيني. 2 وهذا يؤدي إلى الشبكات الدلالية المضمنة في الويب والرسوم البيانية المعرفية التي توفر كميات هائلة من المعرفة المفتوحة المترابطة حول علوم الأرض. تعد الدلالات ، والتمثيلات الوجودية ، وتعيينات المفاهيم الدقيقة علميًا عبر المجالات ، والرسوم البيانية المعرفية ، وتطبيق البيانات المفتوحة المرتبطة ، كلها مجالات للبحث النشط لتسهيل البحث عن البيانات وتكاملها دون بذل قدر كبير من الجهد اليدوي. 5
  2. تسجيل العمليات العلمية والأطروحات والنظريات. لاستكمال تمثيلات الأنطولوجيا والبيانات التي تمت مناقشتها للتو ، يتمثل التحدي الكبير في تمثيل المعرفة والمعلومات العلمية المتطورة باستمرار وغير المؤكدة والمعقدة والديناميكية. ستنشأ تحديات مهمة في تمثيل العمليات الديناميكية وعدم اليقين والنظريات والنماذج والفرضيات والادعاءات والعديد من الجوانب الأخرى لقاعدة المعرفة العلمية المتنامية باستمرار. يجب أن تكون هذه التمثيلات معبرة بما يكفي لالتقاط المعرفة العلمية المعقدة ، ولكنها تحتاج أيضًا إلى دعم التفكير القابل للتطوير الذي يدمج المعرفة المتباينة على مستويات مختلفة. بالإضافة إلى ذلك ، سيحتاج العلماء إلى فهم التمثيلات والثقة في النتائج.
  3. التشغيل المتداخل للمعرفة العلمية المتنوعة. تأتي المعرفة العلمية في العديد من الأشكال التي تستخدم تمثيلات ضمنية وصريحة مختلفة: الفرضيات والنماذج والنظريات والمعادلات والافتراضات وتوصيفات البيانات وغيرها. جميع هذه التمثيلات مترابطة ، وينبغي أن يكون من الممكن ترجمة المعرفة بسلاسة حسب الحاجة من تمثيل إلى آخر. يتمثل أحد التحديات البحثية الرئيسية في التشغيل المتداخل السلس للتمثيلات البديلة للمعرفة العلمية ، من الوصفية إلى التصنيفية إلى الرياضية ، ومن الحقائق إلى التفسير والفرضيات البديلة ، ومن المقاييس الأصغر إلى الأكبر ، ومن العمليات المنعزلة إلى الظواهر المتكاملة المعقدة.
  4. تأليف المعرفة العلمية بشكل تعاوني. لا يمكن للعلماء الوصول بسهولة إلى لغات تمثيل المعرفة الرسمية ، خاصة إذا كانت معبرة ومعقدة ، لتشفير الفهم. يتمثل التحدي الرئيسي في إنشاء أدوات التأليف التي تمكن العلماء من إنشاء المعرفة والربط بينها وإعادة استخدامها ونشرها. تحتاج المعرفة العلمية إلى التحديث باستمرار ، والسماح بنماذج بديلة ، وفصل الحقائق عن التفسير والفرضيات. هذه تحديات جديدة لالتقاط المعرفة وتأليف البحوث. أخيرًا ، يجب إنشاء المعرفة العلمية بشكل تعاوني ، مما يسمح للمساهمين المختلفين بالتأثير بناءً على خبراتهم ووجهات نظرهم المتنوعة.
  5. الاستخراج الآلي للمعرفة العلمية. لا يلزم تأليف كل المعارف العلمية يدويًا. يتم تخزين الكثير من البيانات المعروفة لعلماء الجيولوجيا في تنسيقات شبه منظمة ، مثل جداول البيانات أو النصوص ، ولا يمكن الوصول إليها بواسطة آليات البحث المنظمة. هناك حاجة إلى تقنيات آلية لتحديد واستيراد هذه الأنواع من البيانات إلى قواعد المعرفة المنظمة.

رؤية البحث: خرائط المعرفة. نحن نتخيل رسوم بيانية معرفية غنية تحتوي على تمثيلات صريحة مترابطة للمعرفة العلمية المرتبطة بالزمان والمكان لتشكيل متعدد الأبعاد خرائط المعرفة. سيتم توثيق التفسيرات والافتراضات بشكل جيد وربطها ببيانات ونماذج المراقبة. تربط الشبكات الدلالية والرسوم البيانية المعرفية اليوم الحقائق الموزعة على الويب ، لكنها تحتوي على حقائق بسيطة تفتقر إلى العمق والأسس اللازمين للبحث العلمي. ستحتوي خرائط المعرفة على تمثيلات زمانية مكانية أعمق للعمليات ، والفرضيات ، والنظريات وستتأصل في العالم المادي ، وتربط بين النماذج التي لا تعد ولا تحصى لأنظمة علوم الأرض.

الروبوتات والاستشعار. يتمتع الاستشعار وجمع البيانات المستنير بالمعرفة بإمكانيات كبيرة للقيام بجمع بيانات أكثر فعالية من حيث التكلفة عبر علوم الأرض.

  1. تحسين جمع البيانات. هناك حاجة إلى بيانات علوم الأرض عبر العديد من المقاييس ، المكانية والزمانية. 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.

استنتاج

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

مراجع

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:

مراجع

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.


شاهد الفيديو: مقدمة عن علوم الأرض