Mais

Visualizações e Simulações - Geociências


Visualizações e Simulações - Geociências

7 visualizações e simulações

Para auxiliar na resolução de incidentes de acesso, você pode criar visualizações. Essas são representações gráficas de caminhos que levam dos usuários às funções que lhes são atribuídas e, por fim, a pontos de acesso conflitantes. Você também pode criar simulações, que visualizam os efeitos das etapas que você pode seguir para resolver conflitos de acesso. Esses itens podem estar relacionados entre si: uma simulação pode enfocar a resolução de conflitos envolvendo pontos de acesso representados em uma visualização.

As visualizações e simulações são para uso apenas na compreensão e resolução de incidentes de acesso. Eles não têm aplicação para incidentes de transação.


Visualização

MATLAB é uma ferramenta poderosa para fornecer aos alunos a capacidade de visualizar dados de uma ampla variedade de fontes e compreender sistemas complexos e para representar dados complexos. Os alunos podem visualizar e manipular dados para VER como os dados se comportam. Os alunos também podem visualizar como modelar fórmulas fundamentais das Ciências da Terra, como o fluxo de calor através da litosfera oceânica. Além dos benefícios abrangentes do MATLAB, o MATLAB se presta a este tipo de exploração e visualização por meio de:

  • Muito flexível e facilmente personalizado
  • Ajustado para dados científicos - raster e vetor
  • Capaz de exibir em um mapa

O MathWorks, MATLAB Plot Gallery fornece exemplos de muitas das maneiras como os dados podem ser representados visualmente no programa.


Visualização e interpretação de volume em geociências: sísmica 3-D e além

As tecnologias de interpretação de volume estão revolucionando a maneira como os geocientistas interpretam os dados sísmicos e os engenheiros avaliam os reservatórios, melhorando assim a precisão das previsões do subsolo. O desenvolvimento e a aplicação de tecnologias de visualização e interpretação de volume na geociência do petróleo passaram por mudanças rápidas na última década. Esta história fornece um estudo de caso interessante da evolução da tecnologia, desde as primeiras ideias, passando por aplicações e visões do futuro. É um daqueles casos em que a tecnologia, os dados, as perguntas e os geocientistas se juntaram na hora certa para permitir avanços significativos e grandes impactos. É também uma história sobre a tensão ocasional entre tecnologia e ciência.

Os recursos de interpretação e visualização de volume são derivados da integração de computadores poderosos, tecnologia de exibição avançada, software comercial e proprietário e habilidades abrangentes de geociência. As técnicas de visualização são projetadas para a visualização de dados multidimensionais, enquanto as técnicas de interpretação de volume são projetadas para a análise de dados multidimensionais. Essas são tecnologias que melhoram a qualidade e a eficiência da interpretação sísmica 3-D, fornecem novos recursos para colaboração e fornecem um ambiente para integração aprimorada.

A interpretação do volume evoluiu da visualização. Inicialmente, estávamos simplesmente olhando para horizontes e falhas, usando opacidade e cor com renderização de volume e fazendo uma detecção simples de sementes. Devido à sinergia entre os desenvolvimentos de hardware e software, e um foco dedicado à pesquisa e aplicação, a interpretação do volume está tendo um impacto cada vez maior em uma variedade de atividades, incluindo: reconhecimento de novos volumes de dados sísmicos 3-D, rápida triagem e extração de hidrocarbonetos anomalias sísmicas relacionadas, mapeamento rápido de horizontes e falhas, caracterização de múltiplos atributos de reservatórios para uso em modelagem geológica e simulação de fluxo, processamento sísmico e planejamento interativo de poços 3-D. Discutiremos a evolução dessas tecnologias da perspectiva de diferentes organizações e descreveremos como elas se encaixam no fluxo de trabalho geral da geociência upstream. Uma variedade de exemplos ilustrará a aplicação e o impacto da interpretação de volume para atividades de geociência e engenharia, incluindo interpretação de falhas, caracterização de reservatórios e análise de sistemas de hidrocarbonetos.

Embora as tecnologias de interpretação e visualização de volume tenham se tornado um lugar comum na geociência upstream e seu valor para o nosso negócio tenha sido demonstrado, a plena realização de seu impacto ainda está à nossa frente. Estamos investigando como as técnicas de interpretação imersiva e multissensorial irão melhorar a maneira como interpretamos nossos dados de subsuperfície e nos comunicamos com outras pessoas. Embora vários desafios devam ser superados antes que essas tecnologias estejam prontas para aplicação geral, o futuro é uma grande promessa. A tecnologia de colaboração remota eficaz agora é capaz de facilitar a colaboração de visualização e interpretação de volume em uma escala global, permitindo a disseminação mais rápida de ideias, tecnologia e experiência em um amplo portfólio de empreendimentos comerciais. Embora a aplicação dessas tecnologias para interpretação sísmica 3-D e integração geociência-engenharia continue a ser muito importante, a aplicação para fins de capitalização de conhecimento acabará tendo um impacto profundo. As bacias sedimentares e seus sistemas de hidrocarbonetos associados são sistemas complexos sobre os quais estamos tentando fazer previsões muito específicas. A visualização e a interpretação do volume têm um futuro empolgante como ferramentas a serem usadas na busca de padrões dentro desses sistemas e, a partir desses padrões, um melhor entendimento.

Sobre os autores)

Educação:
1979 Universidade da Califórnia - Riverside B.S., Geologia
1981 Universidade da Califórnia - Riverside M.S., Geologia
1985 Universidade do Arizona, Ph.D., Geociências (Jurassic Paleomagnetism, North American Plate Motion e Cordilleran Tectonics)

Experiência:
1985-Presente ExxonMobil Upstream Research Company (anteriormente Exxon Production Research), Houston, Texas

Atividades de pesquisa:
Reconstrução de placas e paleogeografia, tectônica regional, análise de bacias, migração de hidrocarbonetos, visualização e interpretação de volumes. 1995-2002: Geólogo de pesquisa e líder da equipe técnica do Grupo de Interpretação de Volume e Visualização da ExxonMobil. Atualmente responsável pela integração técnica em um projeto de pesquisa visando novos conceitos de exploração por meio da integração de geodinâmica, modelagem de bacia e tecnologias de previsão de elementos de jogo.

Artigos e resumos sobre a interpretação sísmica 3-D e aplicações de evolução de bacias de visualização de paleomagnetismo para migração de hidrocarbonetos, movimento de placas e tectônica.

Co-autor de & ldquoInteractive Seismic Facies Classification Using Textural Attributes and Neural Networks, & rdquo (premiado como o melhor artigo de 2002 no SEG & rsquos The Leading Edge).

Referências

Apêndices

Junte-se à conversa

Interessado em iniciar ou contribuir com uma conversa sobre um artigo ou edição da RECORDER? Junte-se ao nosso Grupo CSEG no LinkedIn.


Editores de edições especiais

Em campos geocientíficos, técnicas computacionais como computação numérica, visualização e simulação tornaram-se necessárias para melhorar nossa compreensão dos fenômenos e da evolução do sistema terrestre. Atualmente, tanto a academia quanto a indústria dependem fortemente de ferramentas computacionais para seu trabalho geocientífico. Aprendizado de máquina, realidade virtual, realidade aumentada e inteligência artificial são áreas ativas de desenvolvimento para novas tecnologias e aplicações geocientíficas. Estamos organizando esta edição especial para fornecer uma visão multidisciplinar da pesquisa em geociências e estudos de caso aplicados envolvendo técnicas computacionais. Ao reunir esses trabalhos geocientíficos computacionais em uma edição, pretendemos aprimorar nossa compreensão, definir os desafios e permitir futuras colaborações usando essas técnicas modernas.

Esta edição especial destaca avanços e aplicações em geociências computacionais, que incluem teoria, métodos numéricos, desenvolvimento de software, design científico e práticas baseadas em campo. Trabalhos teóricos e aplicados de geociências são convidados a serem submetidos a esta edição especial. O tema e o aplicativo cobrem todos os aspectos quantitativos dos modelos que descrevem e interpretam o sistema terrestre. Aceitamos contribuições de todas as disciplinas de ciências da Terra, como geologia, geofísica, petrofísica, geografia, geoquímica, meio ambiente, hidrologia, ecologia e ciências atmosféricas e espaciais. Nós encorajamos cientistas, engenheiros e estudantes a apresentarem desenvolvimentos tecnológicos recentes, aplicações e estudos de caso e apresentarem recursos de última geração para visualizar dados georreferenciados.

Dra. Eun Young Lee
Dra. Annarita D'Addabbo
Dr. Dimitrios Piretzidis
Editores Convidados

Informações de envio do manuscrito

Os manuscritos devem ser submetidos online em www.mdpi.com, registrando-se e fazendo login neste site. Depois de registrado, clique aqui para acessar o formulário de inscrição. Os manuscritos podem ser submetidos até a data limite. Todos os artigos serão revisados ​​por pares. Os artigos aceitos serão publicados continuamente na revista (assim que forem aceitos) e serão listados juntos no site da edição especial. Artigos de pesquisa, artigos de revisão, bem como comunicações breves são convidados. Para trabalhos planejados, um título e um resumo curto (cerca de 100 palavras) podem ser enviados ao Escritório Editorial para divulgação neste site.

Os manuscritos enviados não devem ter sido publicados anteriormente, nem estar sob consideração para publicação em outro lugar (exceto artigos de anais de conferências). Todos os manuscritos são completamente avaliados por meio de um processo cego de revisão por pares. Um guia para autores e outras informações relevantes para a submissão de manuscritos estão disponíveis na página de Instruções para Autores. Geociências é um jornal mensal internacional de acesso aberto revisado por pares, publicado pela MDPI.

Visite a página de Instruções para Autores antes de enviar um manuscrito. A Taxa de Processamento de Artigo (APC) para publicação nesta revista de acesso aberto é de 1500 CHF (Francos Suíços). Os artigos enviados devem ser bem formatados e usar um bom inglês. Os autores podem usar o serviço de edição em inglês da MDPI antes da publicação ou durante as revisões do autor.


Simulação. Está em toda parte.

Estes são tempos empolgantes na Tech Soft 3D porque, bem, são tempos empolgantes em nossa indústria.

Além da mudança constante para arquiteturas baseadas em nuvem, estamos vendo uma explosão de desenvolvimento 3D relacionado à Indústria 4.0, AR / VR, Projeto Gerativo, Manufatura Aditiva, Digital Twin, Manufatura como Serviço, IoT, construção digital e muito mais.

Uma tendência macro que atravessa praticamente todos os setores é a importância da Simulação e Análise Integrada, que muitos se referem como engenharia auxiliada por computador (CAE). Por anos, temos visto o CAE se aproximando do CAD. Isso sempre foi importante para ajudar um designer a iterar através das opções e é especialmente crítico no mundo do design generativo, onde o software cria centenas (ou mais) opções de design. Ter uma análise integrada é fundamental para ajudar um designer a classificar as muitas opções viáveis ​​para encontrar aquelas que são ideais do ponto de vista de seleção de forma, função e material.

Também vemos o CAE desempenhando um papel no software para manufatura aditiva para garantir que o modelo possa de fato ser produzido com determinados materiais, sem deformação e dentro da tolerância. Os aplicativos de medição também estão usando técnicas de visualização CAE para ilustrar a variação entre a peça projetada e a peça produzida. Finalmente, os visualizadores 3D - o tipo encontrado em todos os sistemas PLM - precisam exibir não apenas peças e montagens de amplificadores, mas também os dados de resultados CAE associados a eles.

Não é nenhuma surpresa que, por muitos anos, tenha havido um movimento para empurrar o CAE para mais perto da fase de design e agregar valor em todas as partes do amplo produto manufaturado ou ciclo de vida de construção e construção. Uma barreira para alcançar este "santo graal" era o poder do computador, dadas as intensas necessidades computacionais do CAE. Outro eram os diferentes tipos de visualização necessários nas fases de projeto e análise. À medida que continuamos a ver uma mudança em direção a arquiteturas baseadas em nuvem, o problema de poder de computação está sendo resolvido. Isso deixa o problema de visualização.

Ao observarmos nosso crescente portfólio de SDKs, nos perguntamos como podemos ajudar os desenvolvedores a lidar melhor com a visualização dos dados CAE. Nossa resposta foi unir forças com o líder indiscutível nesta área, Ceetron AS, e trazê-los para a família Tech Soft 3D. Não poderíamos estar mais animados com as pessoas, produtos, parceiros e possibilidades da Ceetron.

Acreditamos que os componentes Ceetron existentes são uma grande adição ao nosso amplo portfólio de SDKs porque eles nos fornecem uma solução líder de mercado que complementa maravilhosamente nossas tecnologias HOOPS. A tecnologia HOOPS Visualize é um mecanismo de visualização de engenharia para muitos tipos de aplicativos, com força particular no manuseio de aplicativos e modelos do tipo CAD. Ceetron AS oferece recursos líderes de mercado para lidar com as necessidades de visualização exclusivas e avançadas de aplicativos CAE.

Também estamos extremamente entusiasmados com as possibilidades que temos para combinar nossos respectivos pontos fortes em novas maneiras de criar ofertas robustas que incluem os elementos-chave de que os desenvolvedores precisam, incluindo importação de dados CAD, modelagem, interação do tipo CAD, visualização CAE e publicação de dados.

Estamos ansiosos para colaborar com nossos novos colegas em uma solução que combina a força de nossas tecnologias para atender às necessidades de qualquer desenvolvedor que precise lidar com a visualização de dados de resultados de CAE em uma variedade de contextos e tipos de aplicativos.


Compartilhe esta edição especial

A intenção desta edição especial é reunir um conjunto ou papéis que descrevam a natureza, as causas e as consequências dos diversos movimentos de fluidos que ocorrem nas bacias. Os documentos fornecerão uma perspectiva do que pode ser adicionado na próxima geração de modelos de bacias. Os doze artigos já comprometidos descrevem o impacto da intrusão magmática da soleira e da migração de sal na maturação (incorporando movimentos de falha), movimentos de gás no Mar da China Meridional, a maturação de rocha geradora paleozóica na Bacia de Llanos da Colômbia, a ventilação dinâmica de gás H2 de formações paleozóicas, alteração e modificação de permeabilidade relacionadas à migração de petróleo, o impacto de múltiplas glaciações na maturação e migração e a detecção de vias de fluxo usando técnicas sísmicas passivas. Os documentos ainda não confirmados podem abordar a migração secundária, a determinação da condutividade térmica de perfis de perfil de poço e a dessorção de gás após o descarregamento glacial. Questões fundamentais como a espessura da litosfera continental e a caracterização de recursos de hidrocarbonetos não convencionais também podem ser incluídas.

O volume estará disponível gratuitamente online e o custo por autor é mínimo, portanto seu impacto dependerá da qualidade e novidade dos artigos incluídos. Nossa intenção é distribuir e atualizar uma lista de títulos provisórios à medida que os artigos são comprometidos, para que os autores possam ver como sua contribuição se encaixa no contexto geral do volume. Os artigos serão publicados assim que forem aceitos. O prazo sugerido de 31 de agosto de 2019 não é um prazo firme para o volume. Contribuições importantes serão aceitas após esta data.

Dr. Willy Fjeldskaar
Prof. Lawrence Cathles
Editores Convidados

Informações de envio do manuscrito

Os manuscritos devem ser submetidos online em www.mdpi.com, registrando-se e fazendo login neste site. Depois de registrado, clique aqui para acessar o formulário de inscrição. Os manuscritos podem ser submetidos até a data limite. Todos os artigos serão revisados ​​por pares. Os artigos aceitos serão publicados continuamente na revista (assim que forem aceitos) e serão listados juntos no site da edição especial. Artigos de pesquisa, artigos de revisão, bem como comunicações breves são convidados. Para trabalhos planejados, um título e um resumo curto (cerca de 100 palavras) podem ser enviados ao Escritório Editorial para divulgação neste site.

Os manuscritos enviados não devem ter sido publicados anteriormente, nem estar sob consideração para publicação em outro lugar (exceto artigos de anais de conferências). Todos os manuscritos são completamente avaliados por meio de um processo cego de revisão por pares. Um guia para autores e outras informações relevantes para a submissão de manuscritos estão disponíveis na página de Instruções para Autores. Geociências é um jornal mensal internacional de acesso aberto revisado por pares, publicado pela MDPI.

Visite a página de Instruções para Autores antes de enviar um manuscrito. A Taxa de Processamento de Artigo (APC) para publicação nesta revista de acesso aberto é de 1500 CHF (Francos Suíços). Os artigos enviados devem ser bem formatados e usar um bom inglês. Os autores podem usar o serviço de edição em inglês da MDPI antes da publicação ou durante as revisões do autor.


Sistemas Inteligentes para Geociências: Uma Agenda de Pesquisa Essencial

Muitos aspectos das geociências apresentam novos problemas para a pesquisa de sistemas inteligentes. Os dados de geociências são desafiadores porque tendem a ser incertos, intermitentes, esparsos, multirresolução e multiescala. Os processos e objetos das geociências costumam ter limites espaço-temporais amorfos. A falta de informações básicas torna a avaliação, teste e comparação de modelos difíceis. Superar esses desafios requer avanços que transformariam significativamente os sistemas inteligentes, ao mesmo tempo em que beneficiavam enormemente as geociências. Embora tenha havido interações significativas e benéficas entre os sistemas inteligentes e as comunidades de geociências, 4,12 o potencial para pesquisa sinérgica em sistemas inteligentes para geociências é amplamente inexplorado. Uma recém-lançada Rede de Coordenação de Pesquisa em Sistemas Inteligentes para Geociências seguiu um workshop na National Science Foundation sobre este tópico. 1 Esta rede em expansão se baseia no ímpeto da iniciativa NSF EarthCube para geociências e é impulsionada por problemas práticos em ciências terrestres, oceânicas, atmosféricas, polares e geoespaciais. 11 Com base nas discussões e atividades desta rede, este artigo apresenta uma agenda de pesquisa para sistemas inteligentes inspirada nos desafios das geociências.

Principais percepções

A pesquisa em geociências visa compreender a Terra como um sistema de processos naturais complexos altamente interativos e suas interações com as atividades humanas. As abordagens atuais têm deficiências fundamentais, dada a complexidade dos dados de geociências. Em primeiro lugar, o uso de dados por si só é insuficiente para criar modelos dos fenômenos muito complexos em estudo, portanto, as teorias anteriores precisam ser levadas em consideração. Em segundo lugar, a coleta de dados pode ser mais eficaz se conduzida usando o conhecimento sobre os modelos existentes para focar nos dados que farão a diferença. Terceiro, combinar dados e modelos díspares entre disciplinas requer a captura e o raciocínio sobre qualificações e contexto abrangentes para permitir sua integração. Todas essas são ilustrações da necessidade de sistemas inteligentes ricos em conhecimento que incorporem uma quantidade significativa de conhecimento em geociências.

O artigo começa com uma visão geral dos desafios da pesquisa em geociências. Em seguida, apresenta uma agenda de pesquisa e uma visão de sistema inteligente para enfrentar esses desafios. Ele conclui com uma visão geral das atividades em andamento na rede de pesquisa recém-formada de sistemas inteligentes para geociências que está promovendo uma comunidade para perseguir esta agenda de pesquisa interdisciplinar.

O ritmo das investigações em geociências hoje dificilmente pode acompanhar a urgência apresentada pelas necessidades sociais de gerenciar os recursos naturais, responder aos riscos geográficos e compreender os efeitos de longo prazo das atividades humanas no planeta. 6,7,8,9,10,11 Além disso, aumentos sem precedentes recentes na disponibilidade de dados, juntamente com uma maior ênfase nos motivadores sociais, enfatizam a necessidade de pesquisas que ultrapassem as fronteiras do conhecimento tradicional. Diferentes disciplinas em geociências estão enfrentando esses desafios de diferentes motivações e perspectivas:

  • Taxas de previsão de mudança do nível do mar nas plataformas de gelo polares: Cientistas polares, junto com cientistas atmosféricos e oceânicos, enfrentam uma necessidade urgente de compreender a elevação do nível do mar ao redor do globo. Ambientes de plataforma de gelo representam ambientes extremos para amostragem e detecção. Os esforços atuais para coletar dados detectados são limitados e usam robôs amarrados com frequência de amostragem tradicional e limitações de coleta. A capacidade de coletar dados extensos sobre as condições nas plataformas de gelo ou perto delas informará nosso entendimento sobre as mudanças nos padrões de circulação do oceano, bem como feedbacks com a circulação do vento. Novas pesquisas sobre sensores inteligentes apoiariam a coleta seletiva de dados, a análise de dados a bordo e a direção adaptativa do sensor. Novas plataformas robóticas submersíveis podem detectar e responder a situações interessantes enquanto ajustam as frequências de detecção que podem ser acionadas dependendo dos dados sendo coletados em tempo real.
  • Desbloqueie o tempo profundo da Terra: Os cientistas da Terra se concentram em compreender a dinâmica da Terra, incluindo o interior da Terra ou terra profunda (como tectônica, sismologia, campos magnéticos ou gravitacionais e atividade vulcânica) e a superfície próxima da Terra (como o ciclo hidrológico, o ciclo do carbono, o ciclo de produção de alimentos e o ciclo de energia). Embora a coleta de dados de campo seja feita por indivíduos em locais selecionados, os problemas em consideração cobrem regiões espacialmente vastas do planeta. Além disso, os cientistas têm coletado dados em momentos diferentes em lugares diferentes e relatado os resultados em repositórios separados e publicações freqüentemente desconectadas. Isso resultou em uma coleção de informações mal conectada que torna as análises de área ampla extremamente difíceis e impossíveis de reproduzir. Os sistemas terrestres são integrados, mas os dados e modelos geocientíficos atuais não. Para desvendar questões significativas sobre tópicos, como Deep Earth Time, os geocientistas precisam de sistemas inteligentes para integrar dados de locais distintos, tipos de dados e esforços de coleta em uma ampla área.
  • Preveja eventos críticos da atmosfera e do geoespacial: A pesquisa científica atmosférica e geoespacial visa melhorar a compreensão da atmosfera da Terra e suas interdependências com todos os outros componentes da Terra e compreender a dinâmica física importante, relações e acoplamento entre a corrente de vento solar incidente e a magnetosfera, ionosfera , e termosfera da Terra. A pesquisa atmosférica investiga fenômenos operando de escalas planetárias a microespaciais e de milênios a microssegundos. Embora os dados coletados sejam muito grandes, eles são minúsculos, dada a complexidade dos fenômenos em estudo. Portanto, os dados disponíveis devem ser aumentados com o conhecimento sobre as leis físicas subjacentes aos fenômenos, a fim de gerar modelos eficazes.
  • Detectar interações oceano-terra-atmosfera-gelo: Nossa capacidade de compreender o sistema terrestre depende muito de nossa capacidade de integrar modelos de geociências ao longo do tempo, espaço e disciplina. Isso requer abordagens sofisticadas que oferecem suporte à composição e descobrem a estrutura, diagnosticam e compensam os erros e incertezas do modelo composto e geram visualizações ricas de informações multidimensionais que levam em consideração o contexto do cientista.

A figura a seguir ilustra direções de pesquisa de sistemas inteligentes inspiradas por esses desafios da geociência, organizados em várias escalas. Estudar a Terra como um sistema requer recursos fundamentalmente novos para coletar dados onde e quando for importante, para integrar observações isoladas em estudos mais amplos, para criar modelos na ausência de dados abrangentes e para sintetizar modelos de várias disciplinas e escalas. Avanços em sistemas inteligentes para desenvolver plataformas de sensores mais robustas, integração de informações mais eficaz, algoritmos de aprendizado de máquina mais capazes e ambientes interativos inteligentes têm o potencial de transformar significativamente as práticas de pesquisa em geociências e expandir a natureza dos problemas em estudo.


Figura. Pesquisa de IA.

Um roteiro para a pesquisa de sistemas inteligentes com benefícios para as geociências

Os fenômenos dos sistemas terrestres são caracterizados por processos não lineares, multirresolução, multiescala, heterogêneos e altamente dinâmicos. A pesquisa em geociências também é desafiada por eventos extremos e mudanças de longo prazo nos sistemas terrestres. Os dados disponíveis são intermitentes, têm fontes significativas de incerteza e são muito esparsos devido à complexidade e à riqueza dos fenômenos em estudo. Portanto, o pequeno tamanho da amostra dos conjuntos de dados deve ser complementado com os princípios científicos subjacentes aos processos de geociências, a fim de orientar a descoberta do conhecimento. Por exemplo, encapsular o conhecimento sobre os processos físicos que regem os conjuntos de dados do sistema terrestre pode ajudar a restringir o aprendizado de relações não lineares complexas em aplicações de geociências, garantindo resultados teoricamente consistentes. Precisamos de abordagens que alavanquem os avanços na pesquisa baseada em dados com métodos que explorem o conhecimento de domínio e os princípios científicos que governam os fenômenos em estudo. Esses sistemas com consciência geocientífica precisarão incorporar amplo conhecimento sobre fenômenos que combinam fatores físicos, geológicos, químicos, biológicos, ecológicos e antropomórficos.

Este corpo de pesquisa levará a uma nova geração de sistemas inteligentes ricos em conhecimento que contêm conhecimento e contexto ricos, além de dados, permitindo fundamentalmente novas formas de raciocínio, autonomia, aprendizagem e interação.

Este corpo de pesquisa levará a uma nova geração de sistemas inteligentes ricos em conhecimento que contêm rico conhecimento e contexto, além de dados, permitindo fundamentalmente novas formas de raciocínio, autonomia, aprendizagem e interação. Os desafios da pesquisa para a criação de sistemas inteligentes ricos em conhecimento centram-se em cinco áreas principais:

  1. Representação e captura de conhecimento: Captura de conhecimento científico sobre processos, modelos e hipóteses.
  2. Detecção e robótica: Priorizando a coleta de dados com base no conhecimento científico disponível.
  3. Integração de informações: Representando dados e modelos como um & quotsistema de sistemas & quot onde todo o conhecimento está interconectado.
  4. Aprendizado de máquina: Enriquecer algoritmos com conhecimento e modelos dos processos subjacentes relevantes.
  5. Interfaces e sistemas interativos: Explorar e compreender o contexto do usuário usando conhecimento interconectado.

Descrevemos essas cinco áreas separadamente. Para cada área, apresentamos as principais direções de pesquisa seguidas por uma visão abrangente para essa área.

Representação e captura de conhecimento. Para criar sistemas inteligentes ricos em conhecimento, o conhecimento científico relevante para os processos de geociência deve ser explicitamente representado, capturado e compartilhado.

  1. Representando dados científicos e metadados. Os geocientistas estão coletando mais dados do que nunca, mas os dados brutos armazenados em servidores isolados são de pouca utilidade. Trabalhos recentes em padrões semânticos e de dados abertos vinculados permitem a publicação de conjuntos de dados em formatos padrão da Web com licenças de acesso aberto, criando links entre conjuntos de dados para maior interoperabilidade. 2 Isso leva a redes semânticas integradas na Web e gráficos de conhecimento que fornecem uma vasta quantidade de conhecimento interconectado aberto sobre geociências. Semântica, representações ontológicas, mapeamentos de conceitos cientificamente precisos entre domínios, gráficos de conhecimento e a aplicação de Linked Open Data são áreas de pesquisa ativa para facilitar a pesquisa e integração de dados sem muito esforço manual. 5
  2. Capturando processos científicos, hipóteses e teorias. Para complementar as ontologias e representações de dados que acabamos de discutir, um grande desafio é representar o conhecimento e as informações científicas em constante evolução, incertos, complexos e dinâmicos. Desafios importantes surgirão na representação de processos dinâmicos, incertezas, teorias e modelos, hipóteses e afirmações, e muitos outros aspectos de uma base de conhecimento científico em constante crescimento. Essas representações precisam ser expressivas o suficiente para capturar o conhecimento científico complexo, mas também precisam apoiar o raciocínio escalonável que integra conhecimentos díspares em escalas diferentes. Além disso, os cientistas precisam entender as representações e confiar nos resultados.
  3. Interoperação de diversos conhecimentos científicos. O conhecimento científico vem em muitas formas que usam diferentes representações tácitas e explícitas: hipóteses, modelos, teorias, equações, suposições, caracterizações de dados e outros. Essas representações estão todas inter-relacionadas e deve ser possível traduzir o conhecimento com fluidez, conforme necessário, de uma representação para outra. Um grande desafio de pesquisa é a interoperação contínua de representações alternativas do conhecimento científico, do descritivo ao taxonômico ao matemático, dos fatos à interpretação e hipóteses alternativas, de escalas menores a maiores, e de processos isolados a fenômenos integrados complexos.
  4. Autoria de conhecimento científico de forma colaborativa. Linguagens formais de representação do conhecimento, especialmente se forem expressivas e complexas, não são facilmente acessíveis aos cientistas para codificar o entendimento. Um grande desafio será criar ferramentas de autoria que permitam aos cientistas criar, interligar, reutilizar e disseminar conhecimento. O conhecimento científico precisa ser atualizado continuamente, permitir modelos alternativos e separar fatos de interpretações e hipóteses. Esses são os novos desafios para a captura de conhecimento e pesquisa de autoria. Por fim, o conhecimento científico deve ser criado de forma colaborativa, permitindo que diferentes contribuintes avaliem com base em suas diversas experiências e perspectivas.
  5. Extração automatizada de conhecimento científico. Nem todo conhecimento científico precisa ser criado manualmente. Muitos dos dados conhecidos pelos geocientistas são armazenados em formatos semiestruturados, como planilhas ou texto, e são inacessíveis a mecanismos de pesquisa estruturados. Técnicas automatizadas são necessárias para identificar e importar esses tipos de dados em bases de conhecimento estruturadas.

Visão de pesquisa: Mapas do conhecimento. Visamos gráficos de conhecimento ricos que conterão representações interconectadas explícitas do conhecimento científico ligado ao tempo e espaço para formar uma mapas de conhecimento. As interpretações e suposições serão bem documentadas e vinculadas a dados e modelos observacionais. Hoje, as redes semânticas e os gráficos de conhecimento vinculam fatos distribuídos na Web, mas contêm fatos simples que carecem da profundidade e do embasamento necessários para a pesquisa científica. Os mapas de conhecimento terão representações espaço-temporais mais profundas de processos, hipóteses e teorias e serão fundamentados no mundo físico, interligando a miríade de modelos de sistemas de geociências.

Robótica e sensoriamento. O sensoriamento baseado em conhecimento e a coleta de dados têm grande potencial para fazer uma coleta de dados mais econômica em todas as geociências.

  1. Otimizando a coleta de dados. Os dados de geociências são necessários em muitas escalas, tanto espaciais quanto temporais. Since it is not possible to monitor every measurement at all scales all of the time, there is a crucial need for intelligent methods for sensing. New research is needed to estimate the cost of data collection prior to sensor deployment, whether that means storage size, energy expenditure, or monetary cost. A related research challenge is trade-off analysis of the cost of data collection versus the utility of the data to be collected.
  2. Active sampling. Geoscience knowledge can be exploited to inform autonomous sensing systems to not only enable long-term data collection, but to also increase the effectiveness of sensing through adaptive sampling, resulting in richer datasets at lower costs. Interpreting sensor data onboard allows autonomous vehicles to make decisions guided by real-time variations in data, or to react to unexpected deviations from the current physical model.
  3. Crowdsourcing data collection for costly observations. Citizen scientists can contribute useful data (for example, collected through geolocated mobile devices) that would otherwise be very costly to acquire. One challenge in data collection through crowdsourcing is in ensuring high quality of data required by geoscience research. A potential area of research is to improve methods of evaluating crowdsourced data collection empirically, and to gain an understanding of the biases involved in the collection process.

Research vision: Model-driven sensing. New research on sensors will create a new generation of devices that will contain more knowledge of the scientific context for the data being collected. These devices will use that knowledge to optimize their performance and improve their effectiveness. This will result in new model-driven sensors that will have more autonomy and exploratory capabilities.

Information integration. Data, models, information, and knowledge are scattered across different communities and disciplines, causing great limitations to current geosciences research. Their integration presents major research challenges that will require the use of scientific knowledge for information integration.

  1. Integrating data from distributed repositories. The geosciences have phenomenal data integration challenges. Most of the hard geoscience problems require that scientists work across sub-disciplinary boundaries and share very large amounts of data. Another facet of this issue is that the data spans a wide variety of modalities and greatly varying temporal and spatial scales. Distributed data discovery tools, metadata translators, and more descriptive standards are emerging in this context. Open issues include cross-domain concept mapping, entity resolution and scientifically valid data linking, and effective tools for finding, integrating, and reusing data.
  2. Threading scientific information and resources. Scientific information and digital resources (data, software, models, workflows, papers, and so on) should be interconnected and interrelated according to their authors and use. Research challenges include developing new knowledge networks that accurately and usefully link together people, data, models, and workflows. This research will deepen our understanding of Earth science information interoperability and composition, and of how collaborative expertise and shared conceptual models develop.
  3. Automated data analysis and scientific discovery. Capturing complex integrative data analysis processes as workflows facilitates reuse, scalable execution, and reproducibility. The pace of research could be significantly accelerated with intelligent workflow systems that automatically select data from separate repositories and carry out integrated analyses of data from different experiments. Through workflows that integrate large amounts of diverse data and interdisciplinary models, intelligent systems will lead to new discoveries.
  4. Tracking provenance and assessing trust. Incoming data to the integration process must be analyzed for its fit and trustworthiness. The original sources must be documented, as well as the integration processes in order for the information to be understood and trusted. The challenges are in developing appropriate models and automating provenance/metadata generation throughout the integration and scientific discovery processes.
  5. Integrating data from the published literature. Important historical data in geosciences is often only available in the published literature, requiring significant effort to integrate with new data. Text mining and natural language processing tools can already extract scientific evidence from articles. 5 Important research challenges in this area include improving the quality of existing information extraction systems, minimizing the effort required to set up and train these systems, and making them scalable through the vast amounts of the published record. Another area of research is georeferencing extracted facts and integrating newly extracted information with existing data repositories.

Research vision: Trusted information threads. The proposed research will result in a scientifically accurate, useful, and trusted knowledge-rich landscape of data, models, and information that will include integrated broad-scale by-products derived from raw measurements. These products will be described to explain the derivations and assumptions to increase understanding and trust of other scientists. Esses trusted information threads will be easily navigated, queried, and visualized.

Novel research is needed to develop new machine learning approaches that incorporate knowledge about geoscience processes and use it effectively to supplement the small sample size of the data.

Machine learning. In order to address the challenges of analyzing sparse geosciences data given the complexity of the phenomena under study, new machine learning approaches that incorporate scientific knowledge will be needed so that inferences will be obtained better than from data alone.

  1. Incorporation of geoscience knowledge into machine learning algorithms. Geoscience processes are very complex and high dimensional, and the sample size of the data is typically small given the space of possible observations. For those reasons, current machine learning methods are not very effective for many geoscience problems. A promising approach is to supplement the data with knowledge of the dominant geoscience processes. 3 Examples from current work include the use of graphical models, the incorporation of priors, and the application of regularizers. Novel research is needed to develop new machine learning approaches that incorporate knowledge about geoscience processes and use it effectively to supplement the small sample size of the data. Prior knowledge reduces model complexity and makes it possible to learn from smaller amounts of data. Incorporating geoscience process knowledge can also address the high dimensionality that is typical of geoscience data. Prior knowledge constrains the possible relationships among the variables, reducing the complexity of the learning task.
  2. Combining machine learning and simulation approaches. Machine learning offers data-driven methods to derive models from observational data. In contrast, geoscientists often use simulation models that are built. Process-based simulation approaches impose conservation principals such as conservations of mass, energy, and momentum. Each approach has different advantages. Data-driven models are generally easier to develop. Process-based simulation models arguably provide reasonable prediction results for situations not represented in the model calibration period, while data-driven models are thought to be unable to extrapolate as well. Yet difficulties in the development of process-based simulation models, such as parameterization and the paucity of clear test results, can draw this claim into question. Intelligent Systems hold the promise of producing the evaluations needed to make the complex approaches used in data-driven and process-model simulation approaches more transparent and refutable. Such efforts will help to use these methods more effectively and efficiently. Novel approaches are needed that combine the advantages of machine learning and simulation models.
  3. Modeling of extreme values. There are important problems in geosciences that are concerned with extreme events, such as understanding changes in the frequency and spatial distribution of extremely high temperature or extremely low precipitation in response to increase in greenhouse gas emissions. However, existing climate simulation models are often unable to reproduce realistic extreme values and therefore the results are not reliable. Although data science models offer an alternative approach, the heavy-tail property of the extreme values and its spatiotemporal nature poses important challenges to machine learning algorithms. A major challenge is presented by the spatiotemporal nature of the data.
  4. Evaluation methodologies. Machine learning evaluation methodology relies heavily on gold standards and benchmark datasets with ground-truth labels. In geosciences there are no gold standard datasets for many problems, and in those cases it is unclear how to demonstrate the value of machine learning models. One possible approach involves making predictions, collecting observations, and then adjusting the models to account for differences between prediction and observations. Holding data mining competitions using such data would be a very effective attractor for the machine learning community. Another alternative could be the creation of training datasets from simulations. Training datasets could be generated that would mimic real data but also have ground truth available, providing opportunity to rigorously train, test and evaluate machine learning algorithms.
  5. Causal discovery and inference for large-scale applications. Many geoscience problems involve fundamental questions around causal inference. For example, what are the causes of more frequent occurrences of heat waves? What could be the causes for the change of ocean salinity? While it may be very hard to prove causal connections, it is possible to generate new (likely) hypotheses for causal connections that can be tested by a domain expert using methods such as generalization analysis of causal inference, causal inference in presence of hidden components, domain adaption and subsample data, Granger graphical models and causal discovery with probabilistic graphical models. Given the large amount of data available, we are in a unique position to use these advances to answer fundamental questions around causal inference in the geosciences.
  6. Novel machine learning methods motivated by geosciences problems. A wide range of advanced machine learning methods could be effectively applied to geoscience problems. Moreover, geosciences problems drive researchers to develop entirely new machine learning algorithms. For example, attempts to build a machine learning model to predict forest fires in the tropics using multispectral data from earth observing satellites led to a novel methodology for building predictive models for rare phenomena 1 that can be applied in any setting where it is not possible to get high-quality labeled data even for a small set of samples, but poor-quality labels (perhaps in the form of heuristics) are available for all samples. Machine learning methods have already shown great potential in a few specific geoscience applications, but significant research challenges remain in order for those methods to be widely and easily applicable for other areas of geoscience.
  7. Active learning, adaptive sampling, and adaptive observations. Many geoscience applications involve learning highly complex nonlinear models from data, which usually requires large amounts of labeled data. However, in most cases, obtaining labels can be extremely costly and demand significant effort from domain experts, costly experiments, or long time periods. Therefore, a significant research challenge is to effectively utilize a limited labeling effort for better prediction models. In machine learning, this area of research is known as active learning. Many relevant active sampling algorithms, such as clustering-based active learning, have been developed. New challenges emerge when existing active learning algorithms are applied in geosciences, due to issues such as high dimensionality, extreme events, and missing data. In addition, in some cases, we may have abundant labeled data for some sites while being interested in building models for other locations (for example, remote areas). Transfer active learning aims to solve the problem with algorithms that can significant reduce the number of labeling requests and build an effective model by transferring the knowledge from areas with large amount of labeled data. Transfer active learning is still in the early stages and many opportunities exist for novel machine learning research.
  8. Interpretive models. In the past few decades, we have witnessed many successes of powerful but complex machine learning algorithms, exemplified by the recent peak of deep learning models. They are usually treated as a black box in practical applications, but have been accepted by more communities given the rise of big data and their modeling power. However, in applications such as geosciences, we are interested in both predictive modeling and scientific understanding, which requires explanatory and interpretive modeling. A significant research area for machine learning is the incorporation of domain knowledge and causal inference to enable the design of interpretive machine learning approaches that can be understood by scientists and related to existing geosciences theories and models.

Research vision: Theory-guided learning. Geosciences data presents new challenges to machine learning approaches due to the small sample sizes relative to the complexity and non-linearity of the phenomena under study, the lack of ground truth, and the high degree of noise and uncertainty. New approaches for theory-guided learning will need to be developed, where knowledge about underlying geosciences processes will guide the machine learning algorithms in modeling complex phenomena.

Intelligent user interaction. Scientific research requires well-integrated user interfaces where data can easily flow from one to another, and that include and exploit the user's context to guide the interaction. New forms of interaction, including virtual reality and haptic interfaces, should be explored to facilitate understanding and synthesis.

  1. Knowledge-rich context-aware recommender systems. Scientists would benefit from proactive systems that understand the task at hand and make recommendations for potential next steps, suggest datasets and analytical methods, and generate perceptually effective visualizations. A major research challenge is to design recommender systems that appropriately take into account the complex science context of a geoscientist's investigation.
  2. Embedding visualizations throughout the science process. Pervasive use of visualizations and direct manipulation interfaces throughout the science process would need to link data to hypotheses and allow scientists to experience models from completely new perspectives. These visualization-based interactive systems require research on the design and validation of novel visual representations that effectively integrate diverse data in 2D, 3D, multidimensional, multiscale, and multispectral views, as well as how to link models to the relevant data used to derive them.
  3. Intelligent design of rich interactive visualizations. In order to be more ubiquitous throughout the research process, visualizations must be automatically generated and be interactive. One research challenge is to design visualizations. Another challenge is the design of visualizations that fit a scientist's problem. An important area of future research is the interactive visualizations and direct manipulation interfaces would enable scientists to explore data and gain a better understanding of the underlying phenomena.
  4. Immersive visualizations and virtual reality. There are new opportunities for low-cost usable immersive visualizations and physical interaction techniques that virtually put geoscientists into the physical space under investigation, while also providing access to other related forms of data. This research agenda requires bridging prior distinctions in scientific visualization, information visualization, and immersive virtual environments.
  5. Interactive model building and refinement through visualizations that combine models and data. Interactive environments for model building and refinement would enable scientists to gain improved understanding on how models are affected by changes in initial data and assumptions, how model changes affect results, and how data availability affects model calibration. Developing such interactive modeling environments requires visualizations that integrate data with models, ensembles of models, model parameters, model results, and hypothesis specifications. These integrated environments would be particularly useful for developing machine learning approaches to geosciences problems, for example in assisting with parameter tuning and selecting training data. A major challenge is the heterogeneity and complexity of these different kinds of information that needs to be represented.
  6. Interfaces for spatiotemporal information. The vast majority of geosciences research products is geospatially localized and with temporal references. Geospatial information requires specialized interfaces and data management approaches. New research is needed in intelligent interfaces for spatiotemporal information that exploit the user's context and goals to identify implicit location, to disambiguate textual location specification, or to decide what subset of information to present. The small form factor of mobile devices is also constraint in developing applications that involve spatial data.
  7. Collaboration and assistance for data analysis and scientific discovery processes. Intelligent workflow systems could help scientists by automating routine aspects of their work. Because each scientist has a unique workflow of activities, and because their workflow changes over time, a research challenge is that these systems need to be highly flexible and customizable. Another research challenge is to support a range of workflows and processes, from common ones that can be reused to those that are highly exploratory in nature. Such workflows systems must enable collaborative design and analysis and be able to coordinate the work of teams of scientists. Finally, workflow systems must also support emerging science processes, including crowd-sourcing for problems such as data collection and labeling.

Research vision: Integrative workspaces. New research is required to allow scientists to interact with all forms of knowledge relevant to the phenomenon at hand, to understand uncertainties and assumptions, and to provide many alternative views of integrated information. This will result in user interfaces focused on integrative workspaces, where visualizations and manipulations will be embedded throughout the analytic process. These new intelligent user interfaces and interaction modalities will support the exploration not only of data but of the relevant models and knowledge that provide context to the data. Research activities will flow seamlessly from one user interface to another, each appropriate to the task at hand and rich in user context.

Conclusão

This article presented research opportunities in knowledge-rich intelligent systems inspired by geosciences challenges. Crucial capabilities are needed that require major research in knowledge representation, selective sensing, information integration, machine learning, and interactive analytics.

Enabling these advances requires intelligent systems and geosciences researchers work together to formulate knowledge-rich frameworks, algorithms, and user interfaces. Recognizing that these interactions are not likely to occur without significant facilitation, a new Research Coordination Network on Intelligent Systems for Geosciences has been created to enable sustained communication across these fields that do not typically cross paths. This network focuses on three major goals. First, the organization of joint workshops and other forums will foster synergistic discussions and collaborative projects. Second, repositories of challenge problems and datasets with crisp problem statements will lower the barriers to getting involved. Third, a curated repository of learning materials to educate researchers and students alike will reduce the steep learning curve involved in understanding advanced topics in the other discipline. Additionally, members of the Research Coordination Network are engaging other synergistic efforts, programs, and communities, such as artificial intelligence for sustainability, climate informatics, science gateways, and the U.S. NSF Big Data Hubs.

A strong research community in this area has the potential to have transformative impact in artificial intelligence research with significant concomitant advances in geosciences as well as in other science disciplines, accelerating discoveries and innovating how science is done.

Acknowledgments

This work was sponsored in part by the Directorate for Computer and Information Science and Engineering (CISE) and the Directorate for Geosciences (GEO) of the U.S. National Science Foundation under awards IIS-1533930 and ICER-1632211. We thank NSF CISE and GEO program directors for their guidance and suggestions, in particular Hector Munoz-Avila and Eva Zanzerkia for their guidance, and Todd Leen, Frank Olken, Sylvia Spengler, Amy Walton, and Maria Zemankova for suggestions and feedback. We also thank all the participants in the Research Coordination Network on Intelligent Systems for Geosciences for creating the intellectual space for productive discussions across these disciplines.


Figure. Watch the authors discuss this work in the exclusive Communications vídeo. https://cacm.acm.org/videos/intelligent-systems-for-geosciences

Referências

1. Gil, Y. and Pierce, S. (Eds). Final Report of the 2015 NSF Workshop on Information and Intelligent Systems for Geosciences. National Science Foundation Workshop Report, October 2015 http://dl.acm.org/collection.cfm?id=C13 and http://is-geo.org/

3. Karpatne, A. et al. Theory-guided data science: A new paradigm for scientific discovery from data. IEEE Transactions on Knowledge and Data Engineering 29, 10 (2017) 2318&ndash2331.

4. Mithal, V., Nayak, G., Khandelwal, A., Kumar, V., Oza, N.C. and Nemani, R. RAPT: Rare class prediction in absence of true labels. IEEE Transactions on Knowledge and Data Engineering, 2017 DOI: 10.1109/TKDE.2017.2739739.

5. Narock, T. and Fox, P. The Semantic Web in Earth and space science. Current status and future directions. Studies in the Semantic Web. IOS Press, 2015.

6. National Research Council, Committee on Challenges and Opportunities in the Hydrologic Sciences, Water Science and Technology Board, Division on Earth and Life Studies. Challenges and Opportunities in the Hydrologic Sciences. National Academies Press, Washington, D.C., 2012, 188. ISBN: 978-0-309-22283-9.

7. National Research Council, Committee on a Decadal Strategy for Solar and Space Physics (Heliophysics) Space Studies Board Aeronautics and Space Engineering Board Division of Earth and Physical Sciences. Solar and Space Physics: A Science for a Technological Society. National Academies Press, Washington, D.C., 2013, 466. ISBN 978-0-309-16428-3.

8. National Research Council, Committee on Guidance for NSF on National Ocean Science Research Priorities: Decadal Survey of Ocean Sciences, Ocean Studies Board Division on Earth and Life Studies. Sea Change: 2015&ndash2025 Decadal Survey of Ocean Sciences. National Academies Press, Washington, D.C., 2014, 98. ISBN 978-0-309-36688-5.

9. National Research Council, Committee on New Research Opportunities in the Earth Sciences. New Research Opportunities in the Earth Sciences at the National Science Foundation. National Academies Press, Washington, D.C., 2012, 216. ISBN 978-0-30921924-2.

10. National Research Council, Committee to Review the NSF AGS Science Goals and Objectives. Review of the National Science Foundation's Division on Atmospheric and Geospace Sciences Goals and Objectives Document. National Academies Press, Washington, D.C., 2014, 36. ISBN 978-0-309-31048-2.

11. National Science Foundation. Dynamic Earth: GEO Imperatives and Frontiers 2015&ndash2020. Advisory Committee for Geosciences, 2014.

12. Peters, S.E., Zhang, C., Livny, M. and Ré, C. A machine reading system for assembling synthetic paleontological databases. PLoS ONE 9, 12 (2014).

Authors

Yolanda Gil, University of Southern California

Suzanne A. Pierce, The University of Texas Austin

Hassan Babaie, Georgia State University

Arindam Banerjee, University of Minnesota

Kirk Borne, Booz Allen Hamilton

Gary Bust, Johns Hopkins University

Michelle Cheatham, Wright State University

Imme Ebert-Uphoff, Colorado State University

Carla Gomes, Cornell University

Mary Hill, University of Kansas

John Horel, University of Utah

Leslie Hsu, Columbia University

Jim Kinter, George Mason University

Craig Knoblock, University of Southern California

David Krum, University of Southern California

Vipin Kumar, University of Minnesota

Pierre Lermusiaux, Massachusetts Institute of Technology

Yan Liu, University of Southern California

Chris North, Virginia Tech

Victor Pankratius, Massachusetts Institute of Technology

Shanan Peters, University of Wisconsin-Madison

Beth Plale, Indiana University Bloomington

Allen Pope, University of Colorado Boulder

Sai Ravela, Massachusetts Institute of Technology

Juan Restrepo, Oregon State University

Aaron Ridley, University of Michigan

Hanan Samet, University of Maryland

Shashi Shekhar, University of Minnesota

Katie Skinner, University of Michigan

Padhraic Smyth, University of California Irvine

Basil Tikoff, University of Wisconsin-Madison

Lynn Yarmey, National Snow and Ice Data Center

Jia Zhang, Carnegie Mellon University

Footnotes

Correspondence regarding this article should be directed to Yolanda Gil ([email protected]).

Copyright held by authors/owners.
Request permission to (re)publish from the owner/author

The Digital Library is published by the Association for Computing Machinery. Copyright © 2019 ACM, Inc.


Visualization of ash cloud predictions from Mount St. Helens

The U.S. Geological Survey (USGS) Volcano Hazards Program's visualization shows the projected ash cloud for three differently-sized, hypothetical eruptions of Mount St. Helens. The visualizations depict a simulation of the spread of volcanic ash, based on a combination of wind data from the National Oceanic and Atmospheric Administration (NOAA) and volcanologist-derived eruption size parameters.

These ash cloud projections are important for understanding the impacts of a volcanic eruption so that air space can be managed accordingly and communities at risk of ash fall can be warned. The visualization uses colors to represent the expected amount of ash in the atmosphere, with warmer colors representing more ash.

Please note: these models update regularly. The image shown above shows a single model for a hypothetical eruption on May 6th 2017. Please click on the link below for the most up-to-date prediction.


Simulation & Visualization : How to improve the visual understanding on complex dynamics on earth?

Visualizing images in order to better understand data coming from measures or simulations is a part of the process of scientific computation. A challenge in geovisualization is about how to improve the understanding of spatio-temporal phenomena of the real world, based on visual reasoning. The complexity of this issue comes from:

● the complexity of the spatio-temporal phenomena to interpret and analyze, such as the complexity of the related models.

● the amount of multi-sources multi-scales observations and simulated, predicted, annotated, learned, or raw data, and their imprecision,

● the complexity to co-visualize multiple heterogeneous and imprecise data, in order to get a comprehensive point of view on a phenomenon, based on the data interaction, at any scales.

The objective of this thematic session is to make researchers have a new perspective on their way to interpret their models and results. This thematic session aims at favoring a new dynamic of interdisciplinary research, between methodological communities based on spatial applications, for climate change issues. We expect abstract or full papers addressing:

 visualization or visual analysis and reasoning methods to support perception and interpretation of spatio-temporal data and related phenomena: graphic rendering, graphic representation, augmented reality, 3d visualization, map design, spatio-temporal visualization, data interaction, visual reasoning, etc.

 analysis and interpretation of spatial data, potentially requiring additional visual and interactive methods: how could geovisualization, at any spatio-temporal scales, help to:

o show and compare realistic simulations or scenarios

o interpret results from simulation, prediction or learning models

o interpret the gap between predicted or simulated and observed data, in order to refine a model

o support the automatic detection and identific

There is a need here to bring closer spatial, topographic, physical observations and models, and approaches, models and experiments for visualization and visual reasoning, on many possible applications, such as the following, but not exhaustive ones:

 Climate change simulation, urban climate, climate data visualization, urban heat islands

 Air pollution, pollutant dispersion

 Meteorological or weather prediction

 Water rising, flash flooding, marine submersion, tsunami simulation and scenarii

 Geosciences, earthquakes and cryosphere assessment and monitoring

 Spatial dynamics of land cover use or terrain on long-term scale

 Simulation of past or future urban morphology dynamics

 High temporal change detection, detection of high frequency events or weak signals

 Acoustic signal, microwave lengths, wind flow into streets

 Adaptive user interaction with learning models.

Why a thematic session at the ISPRS2020? New methodological approaches in geovisualization have to be explored while bringing together various scientific needs, knowledge and methods from the ISPRS community, according to the diversity of data and phenomena at stake. We aim at bringing researchers from outside ISPRS to come to geospatial issues and at federating ISPRS researchers from various Commissions around visualization and visual analysis issues.

2 March 2020: Notification for abstracts.

30 March 2020: Notification for full papers.

14-20 June 2020: ISPRS 2020 Conference

How to proceed to submit

A specific track will be created in the Conference Managing System in order to smoothly follow the papers of each session. It will be entitled “TS_SimVisu”. The papers will be reviewed through the regular stream. If a sufficient number of (abstract or full) papers is accepted, a specific thematic session will be set up.

Sidonie Christophe Co-Chair of the ISPRS WG IV/9, Paris-Est University, IGN-ENSG, LaSTIG, Leader of GeoVIS Team. Arzu Cöltekin, Christopher Pettit, Victoria Rautenbach, for the ISPRS WG IV/9.


This research was designed to examine Grade 9 learners’ temperature and heat conceptual development during problem solving using visualization assisted teaching method as well as conducting practical work using computer simulation-based teaching method. The correlation analysis revealed that visualization assisted teaching method has advantage in bringing better problem solving performance but simulation-based teaching method didn’t bring better experimentation performance due to experimentation activities limitation. The analysis based on think aloud protocol and verbal responses revealed that students in the experimental group were able to use visualization tools such as models, drawings, graphs, symbols to represent phenomena in order to develop basic science and mathematical conceptual understanding during problem solving and experimental tasks about heat and temperature. The questionnaire about learning gains revealed that lessons conducted by visualization assisted and simulation-based instruction brought better understanding of basic thermal concepts and relationships between the basic thermal concepts.

Keywords

Full Text:

Referências

Bezen, S., Bayrak, C., & Aykutlu, I. (2017). A case study on teaching of energy as a subject for 9th graders. European Journal of Science and Mathematics Education, 5(3), 243-261.

Bimba, A., Indris, N., Mahmud, R., Abdullah, R., Abdul-Rahman, S.-S., & Bong, C. H. (2013). Problem representation for understanding Physics problem. Research Notes in Information Science, 14, 621-625.

Cruz, C. (2005). Strategies for development of student problem solving skills in the high school physics classroom. USA: Western Michigan University.

Duran M., & Dökme, I. (2016). The effect of the inquiry-based learning approach on students’ critical thinking skills. Eurasia Journal of Mathematics, Science & Technology Education, 12(12), 2887-2908.

Elwan, A. (2007). Misconception in Physics. Journal of Arabization, 33, 77-103.

Gönen, S., & Kocakaya, S. (2010). A cross-age study on the understanding of heat and temperature. Eurasian Journal of Physics and Chemistry Education, 2(1), 1-15.

Hakyolu, H., & Ogan-Bekiroglu, F. (2016). Interplay between content knowledge and scientific argumentation. Eurasia Journal of Mathematics, Science, & Technology Education, 12(12), 3005-3033.

Harrison, A. (1996). Student difficulties in differentiating heat and temperature. Paper presented in 21st Annual Conference of the Western Australian Science Education Association, Perth, November, 1996.

Haryono, H. E., Aini, K. N., Samsudin, A., & Siahaan, P. (2021). Reducing the students’ misconceptions on the theory of heat through cognitive conflict instruction (CCI). AIP Conference Proceedings, 2330, 050001.

Hu, R., Wu, Y., & Shieh, J. (2016). Effects of virtual reality integrated creative thinking instruction on students’ creative thinking abilities. Eurasia Journal of Mathematics, Science, & Technology Education, 12(3), 477-486.

Ibrahim, B., & Rebello, S. N. (2013). Role of mental representations in problem solving: Students’ approaches to non directed tasks. Physical Review Special Topics-Physics Education Research, 9, 020106.

Johansson, J. (2014). Pedagogical vizualization of a non-ideal Carnot engine. Journal of Thermodynamics, 2014, 217187.

Jonassen, D. H. (2004). Learning to solve problems: An instructional design guide. USA: Pfeifer-Wiley.

Kaliampos, G., & Ravanis, K. (2019). Thermal conduction in metals: mental representations in 5-6 years old children’s thinking. Jurnal Ilmiah Pendidikan Fisika ‘Al-BiRuNi’, 8(1), 1-9.

Kambouri-Danos, M., Ravanis, K., Jameau, A., & Boilevin, J.-M. (2019). Precursor models and early years Science learning: a case study related to the mater state changes. Early Childhood Education Journal, 47(4), 475-488.

Kotsari, C., & Symrnaiou, Z. (2017). Inquiry-based learning and meaning generation through modelling on geometrical optics in a constructivist environment. European Journal of Science and Mathematics Education, 5(1), 14-27.

Kozhevnikov, M., Motes, A. M., & Hegarty, M. (2007). Spatial visualization in Physics problem solving. Cognitive Science, 31(2007), 549-579.

Kubsch, M., Nordine, J., Fortus, D., Krajcik J., & Neumann K. (2020). Supporting students in using energy ideas to interpret phenomena: The role of an energy representation. European Journal of Science and Mathematics Education, 18, 1635-1654.

Kurnaz, A. M., & Arslan, S. A. (2014). Effectiveness of multiple representations for learning energy concept: Case of Turkey. Procedia: Social and Behavioral Sciences, 116, 627-632.

Maskur, R., Latifah, S., Pricilia, A., Walid, A., & Ravanis, K. (2019). The 7E learning cycle approach to understand thermal phenomena. Jurnal Pendidikan IPA Indonesia, 8(4), 464-474.

Mayer, E. R. (2002). Rote versus meaningful learning. Theory into Practice, 41(4), 226-232.

McIldowie, E. (1998). Introducing temperature scales. Physics Education, 33, 368-372.

Nertivich, D. (2018). Concepts thermiques de base chez les élèves de 17 ans. European Journal of Education Studies, 4(2), 145-154.

Plass, L. J., Moreno, R. & Brünken, R (Eds.) (2010). Cognitive load theory. UK: Cambridge University Press.

Priyadi, R., Diantoro, M., Parno, P., & Helmi, H. (2019). An exploration of students’ mental models on heat and temperature: A preliminary study. Jurnal Penelitian Fisika dan Aplikasinya, 9(2), 114-122.

Ravanis, K. (2013). Mental representations and obstacles in 10-11 year old children’s thought concerning the melting and coagulation of solid substances in everyday life. Preschool and Primary Education, 1(1), 130-137.

Richard, W. T. (nd). Physics laboratory simulator. Saint Mary’s College. Retrieved from www.saintmarys.edu

Rodriguez, J., & Castro, D. (2014). Children's ideas of changes in the state of matter: Solid and liquid salt. Journal of Advances in Humanities, 1(1), 1-6.

Suliyanah, S., Putri, H. N. P. A., & Rohmawati, L. (2018). Identification student’s misconception of heat and temperature using three-tier diagnostic test. Journal of

Physics: Conference Series, 997, 012035.

Thomaz, M. F., Malaquias, I. M., Valente, M. C., & Antunes, M. J. (1995). An attempt to overcome alternative conceptions related to heat and temperature. Physics Education, 30, 19-26.

Tin, P. S. (2018). Élaboration expérimentale des représentions mentales des élèves de 16 ans sur les concepts thermiques. European Journal of Education Studies, 4(7), 141-150.

Tin, P. S. (2019). Un cadre méthodologique pour la démarche d’investigation : L’exemple du changement d’état de l’eau à l’âge de 8 ans. European Journal of Education Studies, 6(4), 1-12.

UNESCO. (2000). Prospects: the quarterly review of comparative education. XXIV, 3/4, 471-485.

Yeo, S., & Zadnik, M. (2001). Introductory thermal concept evaluation: Assessing students’ understanding. The Physics Teacher, 39, 495-504.

Zimmermann-Asta, M.-L. (1990). Concept de chaleur: Contribution à l'étude des conceptions d'élèves et de leurs utilisations dans un processus d'apprentissage. Thèse de doctorat, Genève: FPSE-Université de Genève.


Assista o vídeo: Ruch obiegowy Ziemi (Outubro 2021).