地球科学中机器学习70年发展综述

本综述概述了机器学习在地球科学中的发展。通过对过去70年机器学习应用协同演进的透彻分析，将近期机器学习热潮与地球科学的发展相联系。我探讨了克里金法向主流机器学习方法的转变，以及神经网络在地球科学中的历史应用，遵循数十年来机器学习热情的总体趋势。此外，本章探讨了从数学基础与软件开发知识向模型验证、应用统计与综合学科专长技能的转移。综述穿插代码实例以补充理论基础，并阐释科学中的模型验证与机器学习可解释性。本综述范围涵盖多种浅层机器学习方法，如决策树、随机森林、支持向量机与高斯过程，以及深度神经网络，包括前馈神经网络、卷积神经网络、循环神经网络与生成对抗网络。就地球科学而言，综述偏重地球物理，但力求与地球化学、地质统计和地质学保持平衡，然排除遥感，因超出范围。总体而言，我旨在针对研究、硬件与软件发展，为近期围绕深度学习的兴奋提供背景，这些发展使得浅层与深度机器学习在地球科学各学科的成功应用成为可能。