Awesome-Earth-Artificial-Intelligence

这是一个关于地球科学人工智能（AI）的精选资源合集，专门收集、整理和索引与地球科学AI相关的教程、笔记本、软件、数据集、课程、书籍、视频讲座和论文。合集覆盖了地球科学多个领域（如大气、水圈、生物圈、冰冻圈等）的AI应用数据集，旨在为AI在地球科学中的使用提供全面的数据集资源索引。This is a curated collection of resources focused on artificial intelligence (AI) for Earth science. It specifically collects, organizes and indexes tutorials, notebooks, software, datasets, courses, books, video lectures and academic papers related to AI applications in Earth science. The collection covers AI application datasets across multiple subfields of Earth science, such as the atmosphere, hydrosphere, biosphere, cryosphere and other relevant domains, aiming to provide a comprehensive resource index for the application of AI in Earth science.

原始信息汇总

Awesome-Earth-Artificial-Intelligence 数据集详情总结

该页面是一个精选的资源列表，汇集了与地球科学中人工智能（AI）应用相关的教程、笔记本、软件、数据集、课程、书籍、视频讲座和论文。页面由 ESIP 机器学习集群维护，旨在免费开放地激发“AI for Good”理念。

主要内容

1. 机器学习相关地球科学问题

按地球圈层分类，列出了关键科学问题：

• 地圈：地震信号识别、地震时空关系预测、火山地震数据分类、滑坡预测与损害评估。
• 大气圈：气候变化追踪预测、飓风预测、干旱监测预测、野火早期探测、空气质量监测预测、沙尘暴预测、模型模拟加速。
• 水圈：高时空分辨率水体制图、遥感水质分析、雪融水监测预测。
• 生物圈：高时空分辨率森林、作物、动物制图。
• 冰冻圈：海冰制图与分类、冰川/冰盖质量损失监测预测。

2. 课程

• GeoSMART 机器学习课程、ICESat-2 Hackweek、物理信息机器学习研讨会、可扩展地理空间分析、Python ML/DL 基础、TAI4ES 与 AI4ESS 暑期学校、AMS AI 网络研讨会、USGS AI/ML 工作坊、RadiantEarth ML4EO 训练营、高性能计算与遥感暑期学校。

3. 书籍

• 《地球科学人工智能》、《环境科学中的 AI 方法》、《地球科学深度学习》、《AI 成熟度模型白皮书》、《地球科学中机器学习的 70 年回顾》。

4. 工具

• eo-learn、EarthML、Netron（模型可视化）、Dopamine（强化学习框架）、MLflow（ML 生命周期管理）、Snips NLU（自然语言理解）、MindsDB（AutoML）、TensorFlow Hub、Polyaxon、SynapseML、TransmogrifAI、Microsoft AI for Earth API、OneFlow、ml.js、BentoML、Flashlight、Xarray-Beam、pygeoweaver（AI 与地理空间工作流管理）、Wildlife Insights、iNaturalist 计算机视觉、Global Forest Watch。

5. 教程

• GeoSMART 课程与用例、NASA Openscapes 地球数据云食谱、《地球科学人工智能》书籍配套资料、RadiantEarth MLHub 教程、像素级土地覆盖分类、EO-learn 工作坊、机器学习与发展（世界银行）、ELSI 深度学习训练营、水黑客周 ML 教程、Planet 雪盖制图、气候科学 ML 管道、AI 备忘单。

6. 训练数据

• Kaggle 地球科学数据集、Radiant MLHub（地理空间训练数据开放库）、Google Earth Engine 数据目录、UCI 机器学习库、EuroSAT 数据集（土地利用分类）、Awesome Satellite Imagery Datasets、STEAD 地震数据集（全球地震信号数据）、ZipCheckup（美国 ZIP 级环境安全数据集）。

7. 代码

• Earth System Emulator (ESEm)、EmissionAI（煤电厂排放监测）、BassNet（高光谱土地覆盖分类）、MTLCC（多时相土地覆盖分类）、Landsat 时间序列分析、EarthEngine-Deep Learning、CCDC（连续变化检测分类）、Earth Lens（Microsoft 项目）、EQTransformer（地震信号检测）、热带气旋风速预测、Infernis（野火风险预测引擎）。

8. 视频

• Microsoft Azure ML Studio (AutoML-Regression) 教程视频。

9. 论文

• 《地球人工智能综述》、《地球科学中的实用人工智能》、《遥感地球科学实用 AI》、《大数据地球分析》、《机器学习在地球科学中的应用》、《自定义损失函数指南》、《气溶胶零样本学习》、《神经水文学》、《地球科学中应用机器学习的十种方式》、《数据系统视角下的 AI 发展》、《Google Earth Engine》等。

10. 报告

• NASA 地球观测数据 ML 工具应用研讨会报告。

11. 观点与思考

• 机器学习与数据同化、AI 作为研究范式、90% ML 模型未上市的原因、Transformer 在图像识别中的应用、神经网络失败原因分析。

12. 竞赛

• GeoAI 挑战赛、GPU 黑客马拉松。

搜集汇总

数据集介绍

构建方式

该数据集由ESIP机器学习集群维护，以精选资源列表的形式构建，系统汇集了地球科学领域中人工智能相关的教程、笔记本、软件、数据集、课程、书籍、视频讲座和论文。其构建过程遵循开源社区协作模式，通过贡献指南和行为准则确保内容质量与多样性，并持续吸纳全球研究者的智慧，形成一个动态更新的知识库。

特点

该数据集以地球圈层为框架，覆盖岩石圈、大气圈、水圈、生物圈和冰冻圈中的关键科学问题，如地震信号识别、飓风预测、水质监测等，体现了跨学科的深度整合。同时，它汇聚了从基础课程到前沿论文的多元资源，并包含GeoSMART课程、NASA Openscapes等高质量内容，为研究者提供了从入门到前沿的全方位支持。

使用方法

使用者可通过GitHub页面浏览分类目录（如课程、工具、教程等），直接访问链接获取资源。对于编程实践，可参考提供的Jupyter笔记本和教程（如eo-learn、EarthML）进行模型训练与数据分析。此外，通过Slack和Twitter社区，用户可参与讨论与协作，利用该数据集作为起点，探索AI在地球科学中的具体应用场景。

背景与挑战

背景概述

地球科学领域长期面临数据规模庞大、时空异质性显著以及物理过程复杂等核心挑战，传统数值模拟与统计方法在捕捉非线性、多尺度动态特征时存在固有局限。在此背景下，人工智能技术凭借其强大的模式识别与预测能力，为地球系统科学的研究范式转型提供了崭新契机。由ESIP机器学习集群维护的Awesome-Earth-Artificial-Intelligence资源列表，自创建以来系统整合了面向地球科学人工智能应用的教程、数据集、代码库及前沿论文，成为连接机器学习与地球科学领域的关键知识枢纽。该资源库不仅梳理了从地震信号识别到海冰分类等跨圈层科学问题，更推动了AI在全球变化监测、灾害预警和资源管理中的实用化进程，显著提升了地球观测数据的分析效能与决策支持能力。

当前挑战

该数据集及地球人工智能领域面临多维度挑战。在解决领域问题层面，地球系统各圈层存在独特科学难题：地球圈需从噪声中识别隐蔽地震信号并建立时空预测模型，大气圈需实现气候变化追踪与极端天气早期预警，水圈与生物圈则要求高时空分辨率的水体、作物及动物制图能力。构建过程中，地球科学数据呈现非平稳、高噪声及标注稀疏等特性，传统机器学习方法难以直接适配；同时，跨圈层建模需融合多源异构数据与物理约束，对算法鲁棒性与可解释性提出严苛要求。此外，从研究到业务化部署的鸿沟、计算资源的高昂成本以及社区协同标准的缺失，进一步制约了AI在地球科学中的规模化应用。

常用场景

经典使用场景

在浩瀚的地球科学领域，人工智能（AI）技术正以前所未有的深度与广度渗透进传统研究方法之中。Awesome-Earth-Artificial-Intelligence 作为一个精心编纂的资源集合，其最经典的使用场景在于为地球科学研究者提供一站式的AI入门与进阶指南。该数据集整合了从课程、书籍到工具、教程的完整生态链，使得即便是AI领域的初学者，也能通过其结构化的内容快速掌握将机器学习、深度学习应用于地震预测、气候变化追踪、水体遥感监测等复杂地球系统问题的核心技能。它不仅是知识库，更是一座连接地球科学与现代计算技术的桥梁。

衍生相关工作

该数据集直接催生了一系列具有里程碑意义的衍生工作。在工具层面，eo-learn与EarthML等Python框架成为地球观测与机器学习深度融合的标准范式；STEAD（斯坦福地震数据集）的发布为全球地震信号AI研究提供了基准训练集；EQTransformer等模型则开创了基于深度学习的自动化地震检测与相位拾取新路径。在理论层面，Reviews of Earth Artificial Intelligence等系统性综述论文，以及关于物理信息机器学习在气象气候科学中应用的研讨会，均以此资源为核心参考。这些衍生工作共同构建了一个繁荣的学术生态，持续推动地球人工智能领域的创新与迭代。

数据集最近研究

最新研究方向

当前，地球科学领域的人工智能研究正以前所未有的深度融入多圈层耦合分析，从地震信号识别、飓风路径预测到高时空分辨率的水体与森林制图，机器学习模型正逐步从实验室走向实际应用。该数据集汇总的前沿方向聚焦于物理信息驱动的深度学习、图神经网络在气溶胶光学特性零样本学习中的探索，以及Transformer架构取代传统卷积网络用于遥感图像分类的突破性进展。伴随全球气候变化加剧与极端天气频发，AI在早期野火检测、空气质量监测与冰川消融预测中的部署成为热点事件，其意义在于推动地球系统科学从数据密集型向知识智能化转型，为可持续发展决策提供可操作的洞察。