导语


从加拿大极端热浪,到德国的洪灾,从澳大利亚的森林大火,到中国河南的特大暴雨,极端天气已经成为新常态。气候变化正以我们所能感知的态势发生着。2021年诺贝尔物理学奖的一半被授予气象学家真锅淑郎和气象学家克劳斯·哈塞尔曼,“以表彰对地球气候的物理建模、量化变化和可靠地预测全球变暖”。表达了对人类命运的关切。不仅如此,空气污染与排放等因素也作为影响人类生活和生态环境的重要一环而一直备受关注。我们统一将这些放在地球系统科学研究的范畴中。近年来,系统科学、人工智能等学科的发展,为地球系统的研究提供了一系列有力的研究手段。


在本次由中国地质大学特聘副教授邓琪敏,北京师范大学“励耘”博士后,助理研究员张钢锋,北京师范大学系统科学学院在读博士王硕、在读硕士许菁等人发起的「地球系统科学」系列读书会,将组织大家系统地研究这些以统计物理方法、深度学习方法为核心在地球系统科学中应用的相关文献,深入研读相关文献,激发科研灵感。


读书会线上进行,从2021年12月14日开始,每周二晚上19:00-21:00,持续时间预计 7-8 周。读书会详情及参与方式见后文。




1. 读书会背景




地球科学是研究相互作用的大气圈、水圈、岩石圈和生物圈等组成的地球系统的形成、演化机制的学科。地球系统科学的研究对象是一个复杂的物理系统,从远古时代,人类便观察到一些独特的自然现象,在生产生活实践中,也尝试理解地球系统不同组成要素的联系,渐渐总结出了看云识天气,瑞雪兆丰年等一些列规律。


但是这些经验化的规律并不能完全刻画地球系统的变化,随着现代科学的不断发展,科学家尝试对复杂的地球系统进行定量化的研究。地球的气候系统是众多的复杂系统之一,在 20 世纪 60 年代,美国气象学家真锅淑郎开始探索大气中辐射平衡与气团垂直输送之间相互作用,据此领导了第一个地球气候物理模型的开发,并展示了大气中二氧化碳浓度的增加如何导致地球表面温度升高。大约十年后,德国气象学家克劳斯·哈塞尔曼创建了一个将天气和气候联系在一起的模型,并进一步回答了尽管天气多变而混沌,但气候模型却仍然可靠。此外他还开发了识别特定信号和印记(指纹)的方法,发现自然过程和人类活动都会在气候变化中留下指纹,证明了第一次工业革命以来大气温度的快速升高主要是是由人类排放二氧化碳导致的。这些开创性的工作,也让真锅淑郎和克劳斯·哈塞尔曼获得了2021年的诺贝尔物理学奖。


全球变暖显著地改变了地球系统的演化过程,由此引发的冰川退缩,海平面上升,极端天气气候事件频发等一系列的环境灾害,给人类社会也带来了许多严重的灾难。因此全球变暖不仅仅是一个科学前沿问题,更是一个重要的社会政治问题,影响着每个人的生存和发展。随着站点观测,卫星遥感、雷达等大量观测平台的相继建设,也产生了海量的地球系统观测数据,而目前经典的物理模型往往不能充分地利用这些数据,地球系统的许多问题也急需新的方法来深入解决。基于复杂网络的分析方法近些年来也被广泛运用,在中短期天气预报,二氧化碳空间不均匀分布的增暖效应,以及火灾的预测等问题上有了很多的创新性的工作。


此外,随着计算机技术、人工智能的快速发展,许多深度学习的方法比如神经网络、图网络等也被广泛地应用于分析和解决许多的地球系统科学问题,目前在大气污染预报,厄尔尼诺预测,自然灾害损失评估等领域有了明显的进展。复杂网络,深度学习等新方法的成功运用,给地球系统科学这门古老的学科注入了新的发展动力,也为解决当前地球系统科学面临的许多问题和迎接未来的挑战提供了强大动能。


所以此次读书会,我们会综合统计物理,复杂网络,深度学习等方法,来共同研讨,希望能促进大家的科研合作和交流。


 



2. 读书会安排




具体地,本读书会将综合阅读如下方面的文献:
  1. 统计物理部分
  • 气候网络和渗流相变研究地球系统
  • 统计物理和本征微观态在地球系统的应用
  • 由多个子系统耦合的地球系统
  • 极端天气的同步现象
  • 地球系统中的归因
  • 地球系统的临界问题
  1. 深度学习部分
  • 综述
  • 时空卷积网络
  • 时空图神经网络
  • 神经微分/偏微分方程
  • 地球系统科学因果推断

欢迎感兴趣的同学讨论相关文献的,并且有兴趣做相关研究的同学加入。


 



3. 发起人介绍




  • 邓琪敏
中国地质大学特任副教授,主要从事时间序列分析、非线性动力学;极端事件、气候变化诊断与预测等方面的研究。在Climate Dynamics等国际主流期刊上发表过学术论文。
http://grzy.cug.edu.cn/dengqimin/zh_CN/index.htm

  • 张钢锋

北京师范大学系统科学学院,应急管理部-教育部减灾与应急管理研究院“励耘”博士后,助理研究员。兼任西班牙国家科学研究委员会、瑞典哥德堡大学客座研究员。目前主要研究方向为气候变化与自然灾害,地球系统科学与深度学习。在Journal of Climate、JGR-Atmospheres、Science Bulletin等国内外著名期刊发表论文十余篇。

  • 王硕

北师大系统科学学院博士生,师从张江教授,研究方向为复杂系统自动建模、图神经网络、大气污染

  • 许菁

北京师范大学系统科学学院研究生在读,研究方向为时空图神经网络与地球系统建模

 



4. 参与方式和时间




本次读书会适合的参与对象:

  • 基于复杂系统相关学科研究,对地球系统科学相关研究有浓厚兴趣的科研工作者;

  • 能熟练阅读英文文献,并对复杂科学充满激情,对世界的本质充满好奇的探索者;

  • 欢迎基于读书会所列文本和文献的具体探讨,提供适合的文献和主题的朋友;


运行模式:

每 1 周由 1-2 名读书会成员领读相关论文,进行线上会议,与会者可以广泛参与讨论(以 PPT 讲解的形式,直播间互动交流)。


时间:

从2021年12月14日开始,每周二晚上19:00-21:00,持续时间预计 7-8 周。


方式:

此次读书会为线上闭门读书会,采用的会议软件是腾讯会议(请提前下载安装)在扫码完成报名并添加负责人微信后,负责人将其拉入群聊,入群后告知具体的会议号码。


费用:

为了过滤一些非专业人士,甄选出真正对地球系统科学研究感兴趣、有相关研究经验的专业人士,保证读书会研讨质量,也为了激励大家学习、分享、总结,本期读书会将采取收费 – 退款的保证金模式。


具体规则

  1. 读书会(7-8期)保证金共计 299 元/人。

  1. 满足如下条件之一者全额退款(本季读书会结束后统一退费)

  • 贡献了一次讲座(1小时左右)内容的(需要提前向主持人申请并通过试讲)

  • 认真完成集智百科相应的编撰任务,经过集智百科团队审核通过,并达到299积分。(详情见https://wiki.swarma.org/index.php?title=激励制度)

  1. 满足以下条件之一的不仅可以全额退款,还有额外奖励:

  • 由读书会内容启发,产生了靠谱的新产品创意,并在读书会结束 2 个月内提交了详细的产品策划方案,并通过了集智俱乐部组织的相应考核答辩的;

  • 由读书会内容启发,萌发了科研论文创意,在读书会结束 2 个月内完成初稿,并在最终的论文成果中致谢集智俱乐部的(需要发表在SCI等核心刊物上)

    上述规则的最终解释权归集智俱乐部所有。

    1. 报名方式:

    扫码报名

    第一步:扫码填写报名信息

    第二步:填写信息后,进入付款流程,提交保证金299元。(符合退费条件后可退费)

    第三步:添加负责人微信,拉入对应的读书会讨论群

    (我们也会对每次分享的内容进行录制,剪辑后发布在集智学园官网上,供读书会成员回看)


     



    5. 论文阅读清单




    统计物理部分

    统计物理部分参考文献感谢北京师范大学系统科学学院博士后姚卿老师提供

    气候网络和渗流相变研究地球系统

    【简介】

    气候网络是讲地球上的网格观测点作为复杂网络的节点,根据节点上观测量变化的相关性建立连边,当相关性高于某个阈值的时候我们认为节点之间有连边。渗流相变是统计物理中的一个基本模型,模拟某个系统变量逐渐变化时,系统会发生质的变化——原来的状态变成到一个新的状态,通过建立气候网络和利用渗流相变,可以观察到一些已知的气候现象,同时也能发现一些新的气候影响模式,甚至能解决厄尔尼诺春季预报障碍的问题。

    【参考文献】
    • Donges, Jonathan F., et al. “Complex networks in climate dynamics.” The European Physical Journal Special Topics 174.1 (2009): 157-179.https://arxiv.org/abs/0907.4359

    • Costa, Luciano da Fontoura, et al. “Analyzing and modeling real-world phenomena with complex networks: a survey of applications.” Advances in Physics 60.3 (2011): 329-412.https://arxiv.org/abs/0711.3199

    • Fan, Jingfang, et al. “Climate network percolation reveals the expansion and weakening of the tropical component under global warming.” Proceedings of the National Academy of Sciences 115.52 (2018): E12128-E12134.https://doi.org/10.1073/pnas.1811068115

    • Meng, Jun, et al. “Forecasting the magnitude and onset of El Niño based on climate network.” New Journal of Physics 20.4 (2018): 043036.https://arxiv.org/abs/1703.09138v1


    统计物理和本征微观态在地球系统的中应用

    【简介】

    统计物理和本征微观态是基于对整个系统微观层面上各个组成个体的状态进行统计分析刻画,从而研究整个宏观系统的方法。这种”自下而上”的研究理念是对传统的还原论(reductionism)的补充。本证微观态在凝聚态物理的Ising 模型和群体运动Visck 模型中有了成功的应用,在地球系统的温度场和臭氧的研究也有了成功的尝试。复杂系统面临的挑战就是如何从唯象的方法(直接分析观测数据)中揭开系统运行的规律和解决解决更多的地球系统中的实际问题

    【参考文献】
    • Lucarini, Valerio, et al. “Mathematical and physical ideas for climate science.” Reviews of Geophysics 52.4 (2014): 809-859.https://doi.org/10.1002/2013RG000446

    • Sun, Yu, et al. “Eigen microstates and their evolutions in complex systems.” Communications in Theoretical Physics 73.6 (2021): 065603.http://dx.doi.org/10.1088/1572-9494/abf127

    • Chen, Xiaojie, et al. “Eigen microstates and their evolution of global ozone at different geopotential heights.” Chaos: An Interdisciplinary Journal of Nonlinear Science 31.7 (2021): 071102.https://arxiv.org/abs/2107.00843v1

    • Hu, GaoKe, et al. “Condensation of eigen microstate in statistical ensemble and phase transition.” SCIENCE CHINA Physics, Mechanics & Astronomy 62.9 (2019): 1-8.https://arxiv.org/abs/1812.08412


    由多个子系统耦合的地球系统

    【简介】

    地球系统不同的圈层组成,包括岩石圈、大气圈、水圈和生物圈等等,各个单独的圈层都可以作为子系统研究,但是各个圈层又相互耦合形成了地球系统。一方面,可以在系统建立单层网络,用多层网络来建模;另一方面有多尺度系统的相互作用。我们现在关心的问题是,如何确定不同子系统的尺度和各个子系统间的耦合,能够更加全面的模拟各个气候因素对地球系统的影响,更好的理解和预测地球系统。

    【参考文献】
    • Peters, Ole, and J. David Neelin. “Critical phenomena in atmospheric precipitation.” Nature physics 2.6 (2006): 393-396.https://www.nature.com/articles/nphys314

    • Steinhaeuser, Karsten, Auroop R. Ganguly, and Nitesh V. Chawla. “Multivariate and multiscale dependence in the global climate system revealed through complex networks.” Climate dynamics 39.3-4 (2012): 889-895.https://link.springer.com/article/10.1007/s00382-011-1135-9

    • Kivelä, Mikko, et al. “Multilayer networks.” Journal of complex networks 2.3 (2014): 203-271.https://dx.doi.org/10.2139/ssrn.2341334

    • Bianconi, Ginestra. “Multilayer Networks in Nature, Society and Infrastructures.” Multilayer Networks. Oxford University Press 79-99.(书)


    极端天气的同步现象

    【简介】

    今年7月的河南经历了极端降雨,美国经历了极端高温,近年来,全球各个地区极端天气的报道数量和频率都在增加,已有研究表明极端天气之间存在”遥相关”的现象,复杂系统和同步网络的方法进一步揭示在气候变化下同类极端天气,例如热浪、寒流或是降水的同步,还有将不同类型的极端天气可能联系起来的传导机制或是普适规律,为预测极端天气的发生提供理论支持。

    【参考文献】
    • Boers, Niklas, et al. “Complex networks reveal global pattern of extreme-rainfall teleconnections.” Nature 566.7744 (2019): 373-377.https://www.nature.com/articles/s41586-018-0872-x

    • Fan, Jingfang, et al. “Network analysis reveals strongly localized impacts of El Niño.” Proceedings of the National Academy of Sciences 114.29 (2017): 7543-7548.https://www.pnas.org/content/114/29/7543

    • Agarwal, Ankit, et al. “Network-based identification and characterization of teleconnections on different scales.” Scientific reports 9.1 (2019): 1-12.https://www.nature.com/articles/s41598-019-45423-5

    • Geng, Zijin, et al. “Network‐Synchronization Analysis Reveals the Weakening Tropical Circulations.” Geophysical Research Letters 48.11 (2021): e2021GL093582.https://doi.org/10.1029/2021GL093582


    地球系统中的归因

    【简介】

    气候网络,同步网络的方法可以帮我们解释地球系统的现象的遥相关,以及这些链接这些现象的路径,但是这些现象或者是极端事件之间是否存在因果,或者是别的因素的发生和这些现象的发生有直接的关联性,甚至因果性,还有待我们探索。今年的诺贝尔奖物理奖也表彰了研究方法能够将气候变化归因到人类活动,诺贝尔经济学奖也对因果推断进行了表彰。地球系统中归因的研究,一方面是现有因果理论的应用;另一方面,也可以从地球系统的研究中产生出归因研究的新方法。

    【参考文献】
    • Schaller, Nathalie, et al. “Human influence on climate in the 2014 southern England winter floods and their impacts.” Nature Climate Change 6.6 (2016): 627-634.https://www.nature.com/articles/nclimate2927/

    • Stott, Peter. “How climate change affects extreme weather events.” Science 352.6293 (2016): 1517-1518. https://doi.org/10.1126/science.aaf7271

    • Trenberth, Kevin E., John T. Fasullo, and Theodore G. Shepherd. “Attribution of climate extreme events.” Nature Climate Change 5.8 (2015): 725-730. https://www.nature.com/articles/nclimate2657

    • Runge, Jakob, et al. “Inferring causation from time series in Earth system sciences.” Nature communications 10.1 (2019): 1-13. https://www.nature.com/articles/s41467-019-10105-3

    • Silva, Filipi N., et al. “Detecting climate teleconnections with Granger causality.” Geophysical Research Letters 48.18 (2021): e2021GL094707. https://doi.org/10.1029/2021GL094707


    地球系统的临界问题

    【简介】

    由于气候变化,科学家发现地球系统中的某些区域处于易爆点(tipping point)——可能发生无法逆转的变化。这些引爆点包括,北极和亚马逊等对地球气候有重要调节作用的区域。但是对这些处于和即将处于引爆点的研究还十分有限,我们关注这些引爆点之间是否存在遥相关以及是否能够提前找到接近引爆点。可以借鉴统计物理系统中对临界现象的研究来研究这个内容。

    【参考文献】
    • Lenton, Timothy M., et al. “Climate tipping points—too risky to bet against.” (2019): 592-595. https://www.nature.com/articles/d41586-019-03595-0

    • Lenton, Timothy M. “Early warning of climate tipping points.” Nature climate change 1.4 (2011): 201-209. https://www.nature.com/articles/nclimate1143

    • Scheffer, Marten. “Foreseeing tipping points.” Nature 467.7314 (2010): 411-412. https://www.nature.com/articles/467411a

    • Scheffer, Marten, et al. “Early-warning signals for critical transitions.” Nature 461.7260 (2009): 53-59. https://www.nature.com/articles/nature08227

    • Scheffer, Marten, et al. “Anticipating critical transitions.” science 338.6105 (2012): 344-348.https://www.science.org/doi/10.1126/science.1225244


    深度学习部分


    综述

    【参考文献】
    • Reichstein, Markus, et al. “Deep learning and process understanding for data-driven Earth system science.” Nature 566.7743 (2019): 195-204.https://www.nature.com/articles/s41586-019-0912-1

    • Wang, Rui. “Physics-Guided Deep Learning for Dynamical Systems: A survey.”arXiv preprint arXiv:2107.01272 (2021).https://arxiv.org/abs/2107.01272

    • Shlezinger, Nir, et al. “Model-based deep learning.” arXiv preprint arXiv:2012.08405 (2020).https://arxiv.org/abs/2012.08405


    时空卷积网络

    【参考文献】
    • Wang, Rui, et al. “Towards physics-informed deep learning for turbulent flow prediction.” Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining. 2020.https://doi.org/10.1145/3394486.3403198

    • Ravuri, Suman, et al. “Skillful Precipitation Nowcasting using Deep Generative Models of Radar.” arXiv preprint arXiv:2104.00954 (2021).https://arxiv.org/abs/2104.00954

    • Ham, Yoo-Geun, Jeong-Hwan Kim, and Jing-Jia Luo. “Deep learning for multi-year ENSO forecasts.” Nature 573.7775 (2019): 568-572.https://www.nature.com/articles/s41586-019-1559-7

    • De Bézenac, Emmanuel, Arthur Pajot, and Patrick Gallinari. “Deep learning for physical processes: Incorporating prior scientific knowledge.” Journal of Statistical Mechanics: Theory and Experiment 2019.12 (2019): 124009.

    • https://arxiv.org/abs/1711.07970


    时空图神经网络

    【参考文献】
    • Li, Zongyi, et al. “Multipole graph neural operator for parametric partial differential equations.” arXiv preprint arXiv:2006.09535 (2020).https://arxiv.org/abs/2006.09535

    • Sanchez-Gonzalez, Alvaro, et al. “Learning to simulate complex physics with graph networks.” International Conference on Machine Learning. PMLR, 2020.https://arxiv.org/abs/2002.09405

    • Wang, Chunyang, et al. “Modeling Inter-station Relationships with Attentive Temporal Graph Convolutional Network for Air Quality Prediction.” Proceedings of the 14th ACM International Conference on Web Search and Data Mining. 2021.https://doi.org/10.1145/3437963.3441731

    • Wu, Yuankai, et al. “Inductive graph neural networks for spatiotemporal kriging.” arXiv preprint arXiv:2006.07527 (2020).https://arxiv.org/abs/2006.07527


    神经微分/偏微分方程

    【参考文献】
    • De Brouwer, Edward, et al. “GRU-ODE-Bayes: Continuous modeling of sporadically-observed time series.” arXiv preprint arXiv:1905.12374 (2019).https://arxiv.org/abs/1905.12374

    • Fang, Zheng, et al. “Spatial-temporal graph ode networks for traffic flow forecasting.” Proceedings of the 27th ACM SIGKDD Conference on Knowledge Discovery & Data Mining. 2021.https://doi.org/10.1145/3447548.3467430

    • Wang, Rui, et al. “Bridging Physics-based and Data-driven modeling for Learning Dynamical Systems.” Learning for Dynamics and Control. PMLR, 2021.https://arxiv.org/abs/2011.10616


    地球系统科学因果推断

    【参考文献】
    • Runge, Jakob, et al. “Inferring causation from time series in Earth system sciences.” Nature communications 10.1 (2019): 1-13.https://www.nature.com/articles/s41467-019-10105-3

    • Runge, Jakob, et al. “Detecting and quantifying causal associations in large nonlinear time series datasets.” Science Advances 5.11 (2019): eaau4996.https://www.science.org/doi/10.1126/sciadv.aau4996

    • Runge, Jakob. “Causal network reconstruction from time series: From theoretical assumptions to practical estimation.” Chaos: An Interdisciplinary Journal of Nonlinear Science 28.7 (2018): 075310.https://doi.org/10.1063/1.5025050

     



    6. 关于主办方和集智俱乐部读书会




    主办方:集智俱乐部
    协办方:集智学园

    集智俱乐部成立于 2003 年,是一个从事学术研究、享受科学乐趣的探索者的团体,也是国内最早的研究人工智能、复杂系统的科学社区。它倡导以平等开放的态度、科学实证的精神,进行跨学科的研究与交流,力图搭建一个中国的 “没有围墙的研究所”。

    集智学园成立于2016年,是集智俱乐部孕育的创业团队。集智学园致力于传播复杂性科学、人工智能等前沿知识和新兴技术,促进、推动复杂科学领域的知识探索与生态构建。

    集智俱乐部读书会是面向广大科研工作者的系列论文研读活动,其目的是共同深入学习探讨某个科学议题,了解前沿进展,激发科研灵感,促进科研合作,降低科研门槛。

    读书会活动始于 2008 年,至今已经有 40 余个主题,内容涵盖复杂系统、人工智能、脑与意识、生命科学、因果科学、计算社会科学等。凝聚了众多优秀科研工作者,促进了科研合作发表论文,孵化了许多科研产品。如:2013 年的“深度学习”读书会孕育了彩云天气 APP,2015 年的“集体注意力流”读书会产生了众包书籍《走近2050》等。


    推荐阅读



    点击“阅读原文”,即可报名读书会