摘要：深时数字地球（Deep-time Digital Earth，DDE）是由我国科学家主导发起并受国际学术界认可的首个大科学计划。该计划围绕地球演化这一科学命题，通过全球科学家和机构协作，运用人工智能、大数据、超级计算等现代技术，整合过去数十亿年地球时空大数据，
深时数字地球（Deep-time Digital Earth，DDE）是由我国科学家主导发起并受国际学术界认可的首个大科学计划。该计划围绕地球演化这一科学命题，通过全球科学家和机构协作，运用人工智能、大数据、超级计算等现代技术，整合过去数十亿年地球时空大数据，构建地球科学全领域知识图谱，建立全球共享的处理分析平台，研究生命演化、地理演化、气候演化与物质演化相关重大科学问题，推动地球科学研究范式变革。
在此背景下，和鲸科技联合浙江大学地球科学学院师生，共同发起了DDE 深时数字地球国际大科学计划系列工作坊。工作坊积极响应 DDE 国际大科学计划的相关倡议，基于 Open Science 理念，由和鲸社区开设分主题社群与讨论区，特邀多位相关领域的研究人员，通过专业、友好、可复现的地学 Python 应用案例 + 实战培训，帮助参与者切实提高使用数据技能解决真实科研问题的能力。
在如今的“科学智能”新时代，立足 AI for Science 视角，采用各种现代化分析方法解读、可视化海量的地学数据，可以进一步帮助我们理解地球圈和生物圈协同演化过程。
为此，在工作坊第三期的课程中，来自浙江大学地球科学学院的葛云钊博士作为特邀导师，带领大家通过非洲纳米比亚的矿产资源分布预测这一实际案例学习了如何运用该机器学习算法和大算力处理遥感数据，精准、科学、高效地预测矿产资源分布，并将预测结果切实地运用到实践中去，从而优化资源配置，提高环境效益。通过课程学习，学员们将能够掌握机器学习算法和大数据处理能力在遥感和资源预测领域的运用方法，并举一反三，将其充分地应用到不同资源勘测实践中去，有效提高实践中的预测精度与效率，降低预测的时间和人力物力成本。
课程介绍了利用大模型和 Python 等工具对相关数据进行“预处理-模型训练-概率预测-特征重要性分析”等处理的全部流程，为学员们展示了科学智能引导下的地球科学科研新范式。以下是课程中介绍的分析思路和部分数据分析方法的示例。
简要流程
aster数据蚀变提取地质数据预处理模型调参与训练成矿概率预测特征重要性分析训练模块（前步骤略）
训练模块中的函数主要包括：
extract_ras_name(input_lyr_ras_list): 提取输入栅格图层的名称。get_ras_data(input_layers_path, input_layers_name): 获取输入栅格图层的数据并将其转换为numpy数组和Pandas DataFrame。x_y_shuffle(x, y): 将输入的数据和标签进行随机洗牌。get_train_test_data(input_layer_pd, ds_mask, input_ratio=2): 根据输入的数据和掩膜图层，获取训练集和测试集的数据和标签。mineral_prediction_train(input_lyr_list): 完成矿物预测的训练过程，返回训练集和测试集的数据和标签。篇幅所限，以上仅展示一小部分案例内容。通过一系列的地质数据分析和可视化处理，我们可以得到精确度较高的成矿概率分布图，科学、高效地进行矿产资源预测。在科学智能的驱动下，借助大模型技术，我们可以对地质数据进行深度挖掘，搭配智能可视化平台，还能够生成动态图谱，辅助研究者快速精准定位矿产位置、灵活优化资源配置，让地球科学研究从数据海洋中精准捕获规律，迈向智能化探索新维度。
当前，科学智能发展迅速，AI4S正逐渐改变科学研究的模式。您可联系和鲸了解其他科学智能驱动科研范式变革相关案例，获取更多科研灵感与助力。
和鲸科技深耕人工智能与数据科学十年，以推动 AI for Science 科研范式改革为使命，依托旗下数据科学协同平台 ModelWhale，开启了全方位的创新实践。近年来更是联合众多科研组织与机构，全面推进 AI for Science 在垂直领域创新应用，为赋能国家创新体系建设添砖加瓦。
和鲸 ModelWhale 已面向科研机构、高校及专业领域企业及个人打造专属科学智能应用，致力于为人工智能科研团队、学者提供科研支持与助力。欢迎您前往和鲸首页 ai.heywhale（括号删除）.com（建议您在PC端打开）或联系和鲸工作人员免费体验。
和鲸 ModelWhale 大模型应用平台即将正式发布，欢迎您参与AI应用调研 heywhale.feishu（括号删除）.cn/share/base/form/shrcneEkjnyB5GEnYzG8Tpf7xNg，赢取 ModelWhale 大模型应用平台内测资格！
来源：和鲸