面向环境科学问题的准确、高效且可解释的深度学习方法

环境科学在保障生态系统方面发挥着关键作用，这一领域由大规模异构数据驱动。在大数据时代，人工智能(AI)作为一种变革性工具，已用于学习模式和支持决策。本论文发展了针对复杂环境科学问题的AI方法，实现环境智能，研究三个具体挑战。首先，我们聚焦于沿海河流系统的洪水预测与管理。传统基于物理的模型计算密集，限制了实时应用。为克服这一问题，我们提出了用于水位预测的深度学习(DL)模型WaLeF，以及用于管理水位的预测信息DL模型FIDLAr。在以南佛罗里达为例的洪水易发沿海系统（特征为极端降雨和海平面波动）中，FIDLAr在准确性和效率方面均优于基线方法，并提供可解释的输出。其次，我们面向全球气候预测，这一任务面临巨大数据规模的挑战。传统物理方法是确定性的且计算密集。我们提出CoDiCast，一种专为概率气候预测设计的条件扩散模型。从生成式AI适用于预测任务方面获得灵感，实验表明CoDiCast实现准确、高效的预测，并提供显式的不确定性量化。最后，我们解决环境科学中的科学问答问题。当回答领域内问题时，大型语言模型(LLM)常因知识过时或有限而产生幻觉。虽然检索增强生成(RAG)可检索领域特定知识，但现有方法在准确性、效率或可解释性之间进行权衡。我们提出Hypercube-RAG，基于结构化文本立方框架，成功实现了这三个属性的同时。