地球系统观测和预测机器学习研讨会

此次研讨会由ECMWF和ESA共同主办，并于2020年10月5日-8日期间以线上方式举行。此次研讨会会根据COVID-19的情况变化进行调整，但是不会改变线上举办的形式，只是可能会邀请一些人在线下参会。

研讨会动机和描述

近年来，机器学习/深度学习（ML/DL）技术在大量且不断增长的不同应用领域中取得了显着进步，例如自然语言处理，计算机视觉，自动驾驶汽车，医疗保健，金融等等。这些进步是由可用数据的大量增加，算力的增加以及更高效的算法的出现所驱动。

地球系统观测和预测（ESOP）在ML/DL发展之后得到广泛关注，并且ML/DL的创新应用在ESOP中也变得越来越普遍。

ESOP科学家对ML/DL技术的兴趣来自不同的角度。从观测的角度来看，由于无处不在的互联网连接（所谓的“物联网”），目前和将来在高时空分辨率下基于卫星的地球系统测量的可用性以及全新的观测系统的出现给新的挑战带来了挑战。成熟的处理技术，最终使我们能够有效利用这些新的信息。 ML/DL可能有利于克服其中的某些问题，例如在观测质量控制，观测偏差校正以及开发高效的观测算子和基于观测的反演方面。

从资料同化的角度来看，ML/DL方法很有趣，因为使用与之类似的方法，比如变分资料同化，它们通常可以转化为贝叶斯推理问题。资料同化领域已经普遍使用的某些技术（例如模型误差估计，模型参数估计）实际上是ML/DL的一种。那么问题是，ESOP领域可以从ML/DL领域的方法和实践中学到什么教训？我们能否将这些新想法无缝整合到当前资料同化实践中？

ML/DL解决方案也正应用到模型识别方面，无论是在完整预测模型方面，还是在计算上昂贵和/或物理上不确定的特定模型参数化方面。如何将物理知识与ML/DL方法提供的统计知识最佳地结合在一起是一个重要且开放的问题。各种类型的机器学习技术在模型解释和后处理中的应用历史也很长。 ML/DL如何帮助我们从环境预测中获取更多价值的问题因此成为一个密切相关的，同时也是当前需要关注的问题。

一个重要的问题是ML结果的不确定性特征，以及更好地了解模型训练学到了什么物理关系。虽然当前已经提出了许多量化不确定性和将ML输出回溯到输入特征的方法，但是尚未达成共识。需要改进以更好地理解机器学习结果的可靠性，这在业务环境中至关重要。

研讨会目的

在将ML/DL技术应用于ESOP时，仍然存在许多未解决的问题。研讨会的目的是评估将ML/DL技术应用于ESOP的最新技术水平，确定需要进一步解决的主要问题，并开始规划未来的方向。长时间演讲的演讲者不仅将涵盖他们自己的工作，而且将对该主题进行总体概述。同时工作组将促进讨论，在该工作组中也将更详细地讨论主要问题。研讨会的结果将以工作组报告的形式，以技术备忘录或文件的形式进行总结。

注册和提交摘要

当前已经开放注册和摘要提交通道。口头报告和海报都可以提交。如果仅是参会参加讨论也是非常欢迎的。

以下主题可以提交摘要：

1. Machine Learning for Earth System Observations

• Including Retrieval Algorithms, Fast/Improved/New Forward Models, Advanced Quality Control, De-biasing Techniques

2. Machine Learning for Data Assimilation

• Including Model Error Estimation and Correction, Parameter estimation, Fast linearised models for DA, Hybrid DA

3. Machine Learning for Model Identification and Development

• Including Model identification, Fast Emulation of Parameterisations, Data driven Parameterisations

4. Machine Learning for Product development

• Including NWP Post-processing, Non-linear Ensemble Averaging, Development of new NWP Products

重要日期

注册链接：https://events.ecmwf.int/event/172/registrations/116/

摘要提交：https://events.ecmwf.int/event/172/abstracts/