近日，计算机科学与技术学院李清亮教授团队联合中山大学、吉林大学在气候学和大气科学领域国际顶级学术期刊npj Climate and Atmospheric Science（期刊名：npj气候与大气科学，中科院1区，5 year IF=9.7）上发表题为“Advancing Symbolic Regression for Earth Science with a Focus on Evapotranspiration Modeling”（构建新型符号回归框架：针对地球科学蒸散发过程的研究）的研究论文。npj Climate and Atmospheric Science是地学领域三大Nature子刊之一（包括Nature Geoscience、Nature Climate Change、npj Climate and Atmospheric Science）。长春师范大学为第一单位，李清亮教授为第一作者以及第一通讯作者，中山大学魏忠旺副教授为共同通讯作者。研究得到了国家自然科学基金和吉林省优秀青年基金等项目的支持。

在地球科学领域，人工智能的应用正引领着一场科学革命。李清亮教授团队近日在深度符号回归模型领域取得了突破性进展，成功开发了一种新型的知识引导深度符号回归模型——KG-DSR，该模型专注于编码物理过程中的交互关系，为地球科学中的复杂过程提供了新的解析工具。

KG-DSR模型的核心创新在于其不仅能够从嘈杂的观测数据中恢复和推导数学表达式，还能够捕捉和刻画复杂的物理关系，从而揭示新的显性方程式。这种能力对于深入理解和准确预测地球科学中的物理过程至关重要。现有的深度符号回归模型在处理如Penman-Monteith方程等相对简单的地球科学问题时仍面临显著挑战，而KG-DSR模型成功克服了这些限制。它不仅推导出适用于Penman-Monteith过程的表达式，还在表面阻力参数化方案中发现了新的显性物理关系，显著超越了目前被广泛接受的传统理论。与机器学习中广泛采用的随机森林树模型和符号回归领域的前沿模型相比，KG-DSR在发现复杂物理关系和提高模型精度方面具有明显优势。更重要的是，KG-DSR模型不仅在训练数据上表现优异，还展现了对未知气候情景的较好推演能力。

这项成果预示着人工智能在地球科学领域的应用前景广阔，尤其是在从观测数据中解码未知过程方面，它不仅推动了地球科学与人工智能的深度融合，还为地球科学和信息科学的前沿发展注入了新的活力。

论文链接：https://doi.org/10.1038/s41612-024-00861-5