近日，武汉大学测绘遥感信息工程全国重点实验室冯炼教授与李德仁院士在National Science Review发表题为“Can Satellites and AI Reveal the Maxwell Equations of the Earth?”的观点文章，提出利用卫星遥感与人工智能构建“行星实验室”的新科学构想。

正如麦克斯韦方程统一了电与磁两种看似独立的物理现象，人们不禁提出一个新的科学问题：地球系统是否也存在类似的“统一方程”，能够揭示气候变化、生态过程以及人类活动之间的内在规律？该研究提出，通过全球卫星遥感观测与人工智能技术的结合，可以将地球系统转变为一个持续运行的“行星实验室”。在这一框架下，科学家能够从海量观测数据中挖掘地表环境变量的时空变化规律，进一步探索构建描述水循环、碳循环与能量交换等关键过程的可解释方程体系，从而揭示地球复杂系统背后的基本规律。

文章指出，这一思路有望为理解地球系统运行机制提供新的理论框架，并为未来的地球系统预测、气候变化研究以及可持续发展治理提供新的科学范式。

该研究工作得到国家自然科学基金的资助。

相关论文链接：https://doi.org/10.1093/nsr/nwag210

全文中文翻译如下

标题：卫星与人工智能能否揭示地球系统的“麦克斯韦方程”？

长期以来，科学探索一直试图用简洁而统一的原理来解释复杂的自然世界。这一追求在麦克斯韦方程中得到了体现。如今，全球卫星观测与人工智能（AI）正将地球系统科学推进到一个新的阶段：人类第一次拥有了一个行星尺度的“实验室”，可以持续观测自然—人类耦合系统的运行过程。

在海量观测数据中，一些跨尺度反复出现的规律，如守恒关系、反馈机制和比例关系，正逐渐显现。通过将物理约束与机器学习方法结合，这些规律有望被提炼为可解释的“类定律”方程，从而构建一个跨过程、跨尺度的统一框架。

从麦克斯韦方程到地球系统规律

科学史上，一些关键突破往往源于零散观测最终汇聚成简洁而普适的理论。例如麦克斯韦方程通过数学形式统一了电与磁两种现象，揭示了电磁波的存在，并为现代通信和电子技术奠定了基础。这类科学突破往往建立在长期观测积累、对既有理论的挑战以及对自然规律不变性的持续探索之上。

在物理学中，人类一直试图将丰富复杂的物质世界归结为少数几个基本方程。如今，地球系统科学也正站在类似的前沿：是否可以通过连续的全球观测，发现类似“麦克斯韦方程”的地球系统规律？这里所说的“地球版麦克斯韦方程”，并不意味着一个单一、严格封闭的方程，而更可能是一组可解释的、跨尺度的过程方程，用以描述地球系统中不同过程之间的联系。

卫星观测带来的全球数据革命

在整个地球系统中，包括水与能量通量、碳与营养循环以及质量和动量交换，科学家已经建立了大量模型来描述单一过程。例如，气候科学家真锅淑郎通过物理模型揭示了大气二氧化碳浓度升高如何导致地表温度上升，并因此获得2021年诺贝尔物理学奖。然而，在许多地球系统领域中，现有模型仍然主要来源于实验室研究或局部野外观测。例如在水文学中，许多经验公式将径流或蒸散发与降雨强度、土壤湿度、植被覆盖和气温等因素联系起来，但这些模型通常需要针对不同地区重新校准，因此难以在全球尺度上推广。

要突破这一局限，需要能够在不同环境条件下持续观测地球过程的全球数据。现代地球观测系统正提供这样的机会。如今，卫星和传感器星座可以持续监测大气、海洋、陆地和冰冻圈，并通过不同空间分辨率和光谱特性的传感器，在多尺度上刻画地球系统的动态变化。例如，Landsat、MODIS和Sentinel等卫星任务每天产生海量数据，而商业卫星星座也正在实现米级分辨率的全球每日观测。这些数据已经被广泛应用于环境监测，例如全球地表水分布变化、陆地植被状况以及海洋浮游植物的动态监测等。

这种全球观测能力代表了一种新的科学研究模式：“数据密集型科学”。与传统的实验、理论或计算方法不同，这种模式将持续产生的大规模数据本身视为实验与研究平台。在这些海量数据中，可能隐藏着一些普遍规律，例如守恒关系、平衡关系以及不同过程之间的相互作用。然而，地球系统本身具有高度复杂性。水、碳和能量在不同尺度上相互耦合，同时还受到人类活动的持续影响，使得系统表现出强烈的非线性特征。因此，要用简单的数学表达式来描述这些复杂过程仍然是一项重大挑战。

图1｜卫星与人工智能构成“行星尺度实验室”

用于发现地球系统中的基本规律

人工智能推动规律发现

近年来，人工智能在处理海量数据方面的能力迅速提升，使得从数据中发现潜在规律成为可能。AI已经成为遥感研究的重要工具，可用于识别和解释地球系统各类环境参数。例如，谷歌提出的AlphaEarth基础模型能够整合多源卫星数据，构建全球环境信息图谱。目前，大多数AI应用仍主要集中在提高遥感反演精度，而不是直接揭示地球系统的基本规律。但越来越多研究开始尝试利用高质量卫星数据，识别关键过程及其相互联系。新的数据驱动建模方法，尤其是结合物理约束的机器学习技术，已经能够从观测数据中提取可解释的关系式，并在不同空间和时间尺度之间实现推广。近期在水文、海洋和气候研究中的一些案例表明，这些方法不仅能够提高预测能力，还能揭示具有物理意义且可迁移的规律。

行星尺度“实验室”的科学愿景

在这一背景下，一个新的科学愿景正在形成：构建一个统一的地球系统过程框架。类似于麦克斯韦方程统一电磁现象，这一框架希望将地球系统中的多种物理过程整合到一个模块化结构中。

在这个框架中，不同子系统，例如水循环、能量交换和碳循环，都可以通过数据驱动的可解释方程来描述。与此同时，人类活动也可以作为外部驱动、政策变化或社会反馈等形式纳入系统模型，从而反映真实的自然—人类耦合过程。

这样的框架不仅具有理论意义，也具有重要实践价值。例如，它可以改进洪水预测与水资源管理，增强气候变化减缓和适应策略的科学基础，并提升海洋—大气耦合模型的能力。同时，它还可以整合遥感数据、地面观测和历史记录，构建一个跨尺度的地球系统描述体系。

从“回顾过去”到“预测未来”

遥感常被批评为只能记录已经发生的事情，因为卫星观测本质上是对过去状态的记录。但在数据驱动框架中，这些历史观测恰恰是预测未来的基础。通过从过去的动态变化中推导出系统的控制关系，科学家可以将观测转化为推理，将“事后观察”转变为“前瞻预测”。由此获得的关系式可以用于预测未来地球系统在不同环境和社会条件下的演化趋势。

挑战与前景

当然，这一研究方向仍面临重要挑战。例如，在复杂系统中，不同机制可能产生相似的观测结果，因此需要区分真正的物理因果关系与偶然的统计相关。通过将机器学习与物理约束结合，例如利用守恒定律和跨尺度一致性，可以在一定程度上减少错误结论的风险。因此，寻找“地球版麦克斯韦方程”不仅是追求数学上的简洁，更是一项更深层的科学挑战—即如何在观测与理论之间建立桥梁，将数据中的模式转化为可解释的科学原理，并最终将海量数据转化为对地球系统更深刻的理解。