Knowledge-guided Machine Learning: Current Trends and Future Prospects

本文介绍了科学建模的概述，并讨论了机器学习方法在科学建模方面相对于基于过程的模型的互补优势和劣势。此外，本文还介绍了新兴领域科学知识引导的机器学习（KGML）的研究现状，该领域旨在利用科学知识和数据在机器学习框架中实现更好的泛化能力、科学一致性和可解释性的结果。我们讨论了KGML研究的不同方面，包括使用的科学知识类型、探索的知识-机器学习集成形式以及将科学知识纳入机器学习的方法。此外，我们还使用每个类别的示例，讨论了环境科学中正在开发KGML方法的常见用例类别。

本文旨在介绍科学建模及其与基于过程模型的机器学习方法的互补优势和劣势，同时介绍了科学知识指导的机器学习（KGML）的研究现状。

KGML旨在将科学知识和数据结合在机器学习框架中，以实现更好的泛化性能、科学一致性和可解释性。文章讨论了KGML研究的不同方面，包括使用的科学知识类型、知识-机器学习集成的形式以及将科学知识纳入机器学习的方法。

文章介绍了环境科学中KGML方法正在开发的常见用例类别，并提供了每个类别的示例。文章还讨论了一些值得关注的问题，包括如何设计实验、使用哪些数据集、是否有开源代码以及哪些工作值得进一步研究。

最近的相关研究包括使用深度学习进行气象预测的研究，以及将机器学习用于水文模型中的研究。