复杂环境系统博士

加入:https://wwwfr.uni.lu/formations/fstm/doctoral_programme_in_computational..。

机器学习在关键区域科学应用的博士候选人

陆地环境现在可以在关键地带(CZ)概念的框架内进行研究，这自然产生了跨学科(地质学、土壤科学、生物学、生态学、地球化学、水文学、地貌学、大气科学等等)。CZ涵盖了地球表面薄薄的外层，从植被冠层的顶部一直延伸到新鲜地下水的地下深度。跨学科性不仅适用于研究岩石和生物量转化为土壤的复杂过程，而土壤反过来又维持了包括人类在内的大多数地上生物。

需要定量方法来预测CZ如何在自然和人类影响下进化。评估全球变化对环境管理的影响需要处理多维信息。这种方法一方面产生了通过发展跨学科方法获得的新知识，另一方面提高了环境变化预测的不确定性。解决这一矛盾的可能性之一是开发新的数据驱动流程来模拟环境变化。当CZ在短时间内观测时，对扰动的响应通常是线性的，但在长时间内，非线性响应出现，因为系统是由复杂的耦合过程驱动的。因此，用于模拟CZ演化的模型非常难以开发，因为它们必须包括地球材料、流体、生物群和人类在较长时间内的行为。此外，气候变化效应驱动的环境演化的非平稳性使得基于历史数据序列的模型预测更具不确定性。

机器学习通过在大量数据中发现复杂的结构和模式，在预测方面取得了务实的突破。随着越来越复杂的机器学习技术的发展，加上计算能力的快速增长，在过去十年中，促进了对CZ中数据驱动环境过程预测的先进方法的广泛研究。例如，可以在水文学(流域径流，河流流量调节，地下水修复)，生物地球化学(模拟含水层中硝酸盐分布，基岩风化过程中的二氧化碳封存)，地质水文(风化层的空间分布3d表征，土壤物理性质的空间组织)中找到。人工神经网络、回归树和支持向量机已被证明是在表现出复杂和非线性行为的系统中进行预测建模和探索性数据分析的强大工具。然而，机器学习模型仍然因缺乏诱导模型的可解释性而受到严重批评，并且通常被称为黑盒。由于缺乏可解释性，这种数据驱动的模型对科学进步的贡献仍然可以忽略不计。结合现有的科学知识和大型数据集来指导学习算法，以生成更可靠和一致的模型预测，这将是提高用于复杂环境系统的机器学习模型的可解释性的有效方法。

使用机器学习进行CZ调查的挑战之一是确定要获取的最佳数据。这些数据通常用于提供结构信息或约束模型参数化。测量优化是平衡现场和实验室数据质量的一种尝试。一种可能性是开发一种有效而稳健的方法来优化数据，希望类似的方法可以扩展到各个应用领域或补充研究问题。其中一种可能性是开发一种基于稳健统计的机器学习方法，以帮助构建预测建模。

问题和更好地理解数据。该统计贡献可用于清理和准备建模所需的数据，并可定义为测试和估计模型选择。在这种分析中，一个挑战是为选择合适的数据集来组合和构建预测模型指定标准。

通过改进特定环境观测站大型高频数据集的使用，促进基于cz的研究功能的知识进步。

为了在全球变化的背景下加强对CZ演化和过程建模的知识，卢森堡大学与卢森堡科学技术研究所合作，正在寻找一名高水平的候选人，以捍卫应用于CZ科学的机器学习博士项目资金。

您将开发和评估机器学习模型，使短期到长期的数据集分类记录在卢森堡最先进的CZ天文台之一，用于生态水文目的。该试验点已经在不同的CZ分隔区(植被、土壤、地下水、溪流)中记录了超过15年的环境数据。该研究将在卢森堡国家研究基金(FNR)通过其AFR计划支持的4年博士项目框架内进行。

更具体地说，您将通过以下方式为项目做出贡献:

·开发和编码创新的科学深度学习/机器学习算法，以分类环境数据系列(水文气候记录、水化学、树木生理学)

·获得计算科学和环境科学之间的跨学科技能

·参与软件开发、集成、测试和部署。

·在顶级科学期刊上传播和发表研究成果

·在国家和国际层面促进伙伴关系和网络的发展。

·参与技术解决方案的实施(概念验证、原型)。