人工智能已经成为许多地球科学领域的有用工具，如气候模型、天气预报、水文学、空间天气和固体地球。人工智能方法正被用于卫星预测、异常检测、事件分类和空中决策，它们可能为在气候模型[Rasp]中表示亚网格过程提供一种高速替代方法。2018;布雷诺维茨和布雷瑟顿，2019】。

虽然人工智能方法的使用近年来急剧增加，但我们提醒您，应谨慎对待它们在地球科学中的使用，同时开发最佳使用方法。如果没有最佳实践，这些方法的不当使用可能会导致“糟糕的科学”，这可能会导致地球科学界普遍反对使用AI方法。如此强烈的反对将是不幸的，因为AI为地球科学家提供了许多服务，可以帮助他们从越来越多的数据中筛选和获取新的知识。因此，地球科学界是时候为使用AI开发深思熟虑的方法了。

轻松获得强大的新方法

使用人工智能方法来设置和运行实验。这些方法通常需要复杂的计算机科学知识。现在情况不再是这样了。人工智能在其他领域的最新成功促使人们开发免费而高效的软件包，这些软件包非常容易学习和使用。甚至可以用几行代码来构建复杂的人工神经网络，并且提供了无数的教程和例子来指导新手用户。此外，随着算法变得更高效，计算能力变得更便宜，云上的可用性更高，获得高性能计算不再是一个限制因素。所有这些发展为地球科学家提供了强有力的人工智能方法。

地球科学家长期以来一直使用基于物理学的方法(如动态模型)和复杂的统计数据(如经验正交函数分析和光谱分析)。因此，他们已经接受了统计方法是一种有用的工具，而统计方法是一种数据驱动的方法。然而，AI方法(另一种数据驱动的方法)在地球科学中的突然崛起，加上地球科学家不熟悉的术语和文化，可能会使AI方法看起来比实际情况更陌生。AI只是提供了一套扩展的新的数据驱动方法，其中许多方法都是从统计原理中派生出来的。例如，一种基本类型的人工神经网络(深度学习)本质上是一系列链接的线性回归模型，其中夹杂着标量非线性变换。

在这里，我们概述了研究人员解决如何同时最好地利用基于物理和数据驱动的方法的问题的一些建议步骤。为了简洁起见，下面我们只使用术语“AI方法”，尽管我们的大部分讨论同样适用于所有数据驱动的方法。

第一步：提出引导性问题。

我们建议地球科学家在选择特定的人工智能方法之前，问自己以下问题：

为什么要在应用中使用AI？应用是为了预测，理解还是两者都有？答案对于选择满足透明度和性能之间所需权衡的AI方法很重要。

如何将科学知识融入AI方法？基础物理过程(如物理、化学)与AI方法的专家科学知识相结合的方法有很多；应尽一切努力结合使用这些方法，如下文步骤2所述。

可解释AI中有哪些工具可以使用？新兴的可解释人工智能领域(XAI)为人工智能方法的可视化和解释提供了许多新工具[Samek et al .2019]。麦戈文，等等。例如，[2019]显示了这些工具在天气相关应用中的巨大潜力。这些工具有可能通过增加透明度，从而建立对其推理的信任，来改变人工智能方法在地球科学中的使用。

我的方法能解决一般情况下使用它的所有条件吗？方法AI依靠“训练数据”来学习系统的特性。必须特别注意测试，并确保生成的AI模型在变化的条件下工作(包括政权转移)。科学知识的融合可以大大增强泛化能力，可以通过从交叉验证到生成对抗性例子的AI技术等方法进行测试。

我的方法可重复吗？我是否遵循了可发现、可访问、可互操作和可重用(公平)数据的原则？我的方法对社区来说容易使用吗？