与许多其他科学学科一样，地球科学正在经历一场数据革命。
特别是，地球观测卫星以及在大型计算平台上运行的基于物理的地球系统模型正在不断生成大量关于地球及其环境的数据。
这些信息丰富的数据集为了解地球气候和生态系统的变化以及应对与粮食/水/能源安全和气候变化相关的重大社会挑战提供了巨大的潜力。
深度学习已经彻底改变了许多学科（例如计算机视觉、自然语言处理），为地球和环境科学带来了巨大的变革。事实上，近年来，深度学习在地球科学中的应用呈指数级增长，并取得了许多惊人的成果。
深度学习还面临着地球科学数据特有的挑战：多模态；空间和时间的高度异质性；事实上，地球科学数据只能提供对在不同空间和时间尺度上相互作用和展开的潜在生态地球物理过程的不完整和嘈杂的看法。
应对这些挑战需要开发能够有效地将现有地球科学知识纳入深度学习学习框架的全新方法。成功应对这些挑战将彻底改变深度学习本身并加速许多其他科学领域的发现。
这本书在捕捉这个快速发展的领域的最新技术方面做得非常出色。它在逻辑上被组织成3个连贯的部分，每个部分都包含由该领域的专家撰写的章节。
每章都提供了易于理解的介绍性材料，然后是深入探讨深度学习在具体地球科学应用中的应用以及未来研究的思路。
对于希望利用地球科学中的数据革命来应对紧迫的社会挑战的学生和研究人员来说，这本书是必读的。
目录Chapter01:简介Chapter02:使用稀疏卷积网络学习遥感数据的无监督特征表示Chapter03:地球科学中的生成对抗网络Chapter04:遥感中的深度自学Chapter05:遥感中基于深度学习的语义分割Chapter06:遥感中的目标检测Chapter07:地球观测中的深度域适应Chapter08:循环神经网络和时间分量Chapter09:图像匹配和配准的深度学习Chapter10:多源遥感图像融合Chapter11:大型遥感档案中图像搜索和检索的深度学习Chapter12:用于检测极端天气模式的深度学习Chapter13:天气和气候研究中的时空自动编码器Chapter14:深度学习改善天气预报Chapter15:深度学习和天气预报问题：降水临近预报Chapter16:用于高维参数检索的深度学习Chapter17:用于冰冻圈研究的深度学习综述Chapter18:用循环神经网络模拟生态记忆Chapter19:深度学习在水文中的应用Chapter20:气候模型中未解决的海洋湍流过程的深度学习Chapter21:气候模型中子网格过程参数化的深度学习Chapter22:使用深度学习纠正理论推导的模型Chapter23:展望每一章节的详细信息目前已经发布在书籍对应的GitHub网页，可点击阅读原文查看每一章节的详细信息。GitHub源中对应章节中给出了所使用的源代码。
转载请注明：http://www.0431gb208.com/sjszjzl/588.html
