李德仁院士:卫星+AI,能否揭示地球的“麦克斯韦方程组”?

卫星+AI，能否揭示地球的“麦克斯韦方程组”？

从散乱观测到统一原理，地球系统科学正迎来一场新的“电磁学大统一”

作者：Lian Feng, Deren Li（武汉大学测绘遥感信息工程国家重点实验室）来源：National Science Review

科学史上，那些将零散观测汇聚为简洁普适原理的时刻，总是格外激动人心。麦克斯韦方程组便是其中的典范——它通过经验证据、数学优美性和理论想象力的相互作用，将曾经支离破碎的电学和磁学理论统一起来。这一统一不仅导致了电磁波的发现，为现代技术奠定了基础，更深刻加深了人类对自然的理解，推动了现代文明的进步。

今天，地球系统科学正站在类似的关口：连续、全球尺度的观测，能否揭示出一套地球版的“麦克斯韦方程组”？——不是经典意义上的单一精确公式，而是一系列可解释的、过程层面的模块化控制关系，能够组织跨尺度的行为，并在特定范围内保持可检验性。

01 从局部经验到全球规律：地球科学面临的根本挑战

在地球系统中——涵盖水与能量通量、碳与养分循环、质量与动量的交换——已有大量模型和方程描述各个过程。例如，真锅淑郎（Syukuro Manabe）的开创性工作证明了大气CO₂浓度升高如何通过物理建模驱动地表增温，为现代气候模拟奠定了基础，并使他荣获2021年诺贝尔物理学奖。

然而，在地球系统科学的许多其他分支中，现有模型仍主要源于受控的实验室实验或有限的野外观测。以水文学为例，经验公式常将径流或蒸散发与降雨强度、土壤湿度、植被覆盖和温度联系起来，但其系数往往需要针对特定地点进行校准，限制了跨区域和跨尺度的可迁移性。

这就引出了一个根本问题：当我们从全球视角观察自然过程时，它们的行为能否也被简洁而优美的数学表达式所捕捉，揭示出地球系统复杂表象之下的隐藏秩序？

02 卫星时代：地球观测的“第四范式”

要实现这一跨越，需要连续、全球一致、能够捕捉地球过程自然变异性及跨环境背景的观测数据。现代地球观测恰好提供了这一机遇。卫星与传感器星座如今能够对大气、海洋、陆地表面和冰冻圈进行时间连续的测量，而不同空间分辨率和光谱灵敏度的相机则允许对地球动态状态及其跨尺度演变趋势进行多尺度刻画。

Landsat、MODIS、Sentinel 等全球卫星任务每天产生PB级数据，而商业星座（如 Planet 的卫星群和“东方星”星座）正通过数百颗光学和雷达卫星，快速逼近每日、米级的全球覆盖。这些海量数据已经改变了环境监测，支持从地表水和陆地植被制图到海洋浮游植物动态追踪等众多应用。

这种观测的扩张体现了科学发现的第四范式——数据密集型科学。与传统实验、理论或计算方法不同，这种新模式将连续、全球数据流同时视为实验本身和实验室。在这些海量数据中，可能隐藏着普适秩序的指纹——守恒、平衡和相互作用的模式，揭示了曾经被认为是独立的过程之间跨尺度的深层联系。

03 AI 的角色：从提高精度到揭示原理

人工智能的快速进展，特别是其分析和综合海量数据集的能力，正使这一挑战变得日益可及。AI 已成为遥感不可或缺的工具，能够精确检测和解释地球所有系统领域的环境参数。大型AI系统的出现，如谷歌的 AlphaEarth 基础模型，展示了机器学习如何整合多源卫星观测以增强全球环境监测。

然而，目前大多数 AI 工作仍集中在提高反演精度上，而非揭示地球系统行为的主控原理。但越来越多的研究正转向这一前沿：利用高质量的卫星数据识别过程层面的机制以及定义地球功能的相互联系。

最近数据驱动建模的进展，正通过从地球系统数据中直接发现可解释、可迁移的关系，拓展这一前沿。将物理约束与机器学习相结合的方法，能够推断显式的函数依赖关系，强制执行守恒原理，并将学习到的动力学推广到跨时空尺度。令人鼓舞的是，水文学、海洋学和气候科学的最新研究表明，这类方法不仅能恢复具有预测能力的关系，而且这些关系具有物理意义，并能在不同背景下迁移。

04 地球的“麦克斯韦方程组”：一个模块化的统一框架

这一新兴范式的核心愿景是：建立一个地球系统过程的通用框架。就像麦克斯韦方程组统一了曾经碎片化的电磁现象一样，这样一个框架旨在将地球多样化的物理动力学整合到一个连贯的、模块化的架构中。

每个子系统——无论是控制水的运动、能量的流动，还是碳的循环——原则上都可以通过可解释的、数据驱动的方程来表达，捕捉其潜在的动力学。在这个框架内，人类过程不必表示为经典物理意义上的连续或守恒变量。相反，它们可以作为外部强迫、状态切换算子、政策驱动的边界条件或学习到的自适应组件被纳入——明确捕捉人类系统固有的非平稳性、制度不连续性和战略决策。

这些数据导出的公式不会取代机理理论，而是扩展它，突出新兴约束、主导相互作用和跨尺度规律性。这样做，它们可以揭示局部扰动如何通过互联网络传播，反馈如何抑制或放大变异性，以及人类活动如何重新配置自然过程的稳定性。

05 挑战与展望：区分因果与相关

当然，这一框架面临着数据驱动发现普遍存在的挑战。一个核心困难在于区分真正的物理因果关系与虚假的统计相关性——尤其是在多种机制可能产生相似观测特征的系统里。

物理约束的学习提供了一条重要路径：通过利用守恒定律、过程层次结构和跨尺度一致性来限制解空间，从而降低收敛到统计稳定但物理上不合理的关系的风险。重要的是，这类方法必须明确考虑来自不完整观测和不完美物理约束的不确定性。任何数据导出的控制关系都应在明确定义的有效域内解释，并在独立背景、扰动和观测情境下进行严格评估。

06 结语

从这个意义上说，寻找地球的“麦克斯韦方程组”不仅仅是对数学优美性的追求，更是一个更深层次的科学挑战——调和观测与理论，将模式转化为原理，将数据洪流转化为共同的认知。

行星尺度实验室

图：卫星与人工智能作为行星尺度实验室，用于发现地球系统中的控制关系。

(a) 全球卫星观测提供跨尺度的连续、多源、多模态地球系统测量。(b) 通过遥感反演和数据集成，这些观测被转化为关键环境变量的定量表征。(c) 通过将数据驱动推理与物理约束相结合，时空关系可以提炼为一组模块化的过程级方程和算子——地球系统的“麦克斯韦方程组”类比——连接跨尺度子系统，并在特定范围内保持经验可检验性。