浙江大学 · 07_数字地球系统科学

数字地球遥感（RS）地理信息系统（GIS）地球系统科学时空大数据机器学习与深度学习全球变化与碳循环定量遥感与数据同化

请用两分钟做一个自我介绍，并说明你为什么适合数字地球系统科学方向。

参考回答：我是……，数理基础扎实，曾获信息学/数学类竞赛奖项，并自学 Python 与数据分析。高二起参与“校园周边土地利用变化”小课题，用公开遥感影像做了简单分类，体会到用数据理解地球系统的魅力。我选择该方向，是因为它把遥感、GIS与AI结合起来解决真实的全球变化问题，与我的兴趣和能力高度契合。

你理解的“数字地球”和“数字中国”是什么？它和普通GIS有何不同？

参考回答：“数字地球”是把海量地球空间数据按地理坐标组织，形成可多分辨率、三维、动态浏览的虚拟地球，是数据共享与可视化的宏大框架。“数字中国”是其国家尺度的落地，强调国土空间治理与信息化。它比普通 GIS 更强调多源数据融合、三维建模与时空动态，而非单一制图分析。

你为什么选择求是科学班而不是普通专业？你了解它的培养模式吗？

参考回答：求是科学班强调小班化、导师制、本研衔接与科研早进实验室。我希望早日接触真实科研而非仅学课程，交叉培养模式能让我在地球科学与信息技术之间自由探索，这符合我“用技术手段解决科学问题”的长期目标。

说说你的优势与不足，以及你为弥补不足做了什么。

参考回答：我的优势是数理逻辑强、自学能力强，已独立完成若干数据分析小项目。不足是地球科学系统知识还比较薄弱，比如对海洋环流了解不深。我正在读《地球系统科学》教材并跟进 IPCC 报告，用“问题驱动”的方式补基础。

未来五年你希望在这个方向走到哪一步？

参考回答：短期希望夯实遥感与编程基础，参与导师课题完成一段完整的数据分析；中期希望掌握一门地球系统模型并能复现一篇论文结果；长期希望围绕气候变化或生态环境做有社会价值的定量研究。

请解释遥感的基本物理原理，并说明电磁波谱中可见光、红外与微波遥感各自的特点与适用场景。

参考回答：遥感基于地物对电磁波的反射、发射与散射差异成像。可见光（0.4–0.7μm）依赖太阳照明，空间分辨率高、色彩直观，但受云与黑夜限制；热红外（约8–14μm）被动接收地物自身热辐射，可昼夜观测温度，但受大气水汽干扰；微波（厘米波，含 SAR 主动遥感）能穿透云雨、昼夜工作，对地表粗糙度与含水量敏感，适合洪涝、植被结构与地形测绘。三者互补，构成多源观测体系。

什么是 GIS 的空间分析？请举一个缓冲区分析与叠加分析的实际应用。

参考回答：空间分析是基于地理位置与空间关系提取信息的核心能力。缓冲区分析围绕点线面生成影响范围，如沿河流做50米缓冲以划定生态红线；叠加重分类则把土地类型、坡度、降雨图层叠加，识别滑坡易发区。其本质是空间关系的逻辑运算与统计，是 GIS 区别于普通数据库的关键。

什么是地球系统模型（ESM）？它和一般的气候模式有何区别？

参考回答：ESM 在大气环流模式基础上耦合了海洋、陆面、海冰、生物地球化学（碳氮循环）等模块，能模拟气候与碳、营养盐的双向反馈。相较只算物理过程的气候模式，ESM 更完整刻画“地球系统”耦合，用于评估排放情景下的长期演变，代表系统如 CESM、NorESM。

全球变暖的科学证据有哪些？IPCC 报告中的“升温1.5℃”意味着什么？

参考回答：证据包括仪器温度记录上升、冰川退缩、海平面上升、海洋热含量增加与极端事件频发。IPCC 指出相较工业化前，全球已升温约1.1–1.2℃，1.5℃是《巴黎协定》力争守住的阈值；超过它将显著放大不可逆风险（如珊瑚消亡、冰盖崩塌）。1.5℃是概率性、区域差异显著的评估，而非绝对突变线。

地球科学中的“大数据”有什么特征？处理 PB 级遥感数据你会怎么做？

参考回答：其特征可概括为 Volume（海量）、Velocity（高频时序）、Variety（多源异构：影像、站点、再分析）、Veracity（噪声与缺失）。处理上我会用云计算（如 Google Earth Engine、华为云）免下载计算，配合分块、并行（Dask/Spark）、Zarr 分块存储与索引，并以掩膜与质量控制减少脏数据。

请用 Python 或 MATLAB 描述一段对遥感影像做 NDVI 计算并分类的流程。

参考回答：Python 思路：用 rasterio/xarray 读入红光与近红外波段，按 NDVI=(NIR−Red)/(NIR+Red) 逐像元计算，缩放至−1到1；再做云掩膜与异常值裁剪；最后用阈值或随机森林依据 NDVI 与纹理特征分类植被/水体/裸地。MATLAB 可用 readgeoraster 与矩阵运算实现同样逻辑，核心是向量化避免循环。

什么是空间自相关？莫兰指数（Moran's I）能告诉我们什么？

参考回答：空间自相关指邻近位置观测值趋于相似的现象，违背经典统计“独立同分布”假设。全局莫兰指数 I 衡量整体聚集程度，接近1为正相关（高值相邻）、接近−1为负相关、接近0为随机；局部 LISA 可定位热点区。这对降水、污染、地价等空间插值与分析至关重要。

如何结合遥感和 GIS 进行地质灾害（如滑坡）易发性评价？

参考回答：先选取评价因子：坡度、岩性、距断层距离、降雨、NDVI、曲率等，统一栅格化与投影；用历史滑坡点作为样本，采用逻辑回归、随机森林或信息量模型计算各因子权重，生成易发性分级图；最后用 ROC 曲线/AUC 验证精度。核心是“因子—样本—模型—验证”闭环。

遥感与 GIS 如何融合？谈谈两者从数据到决策的链条。

参考回答：遥感提供“眼睛”（动态、大范围观测），GIS 提供“大脑”（空间管理与分析）。链条为：遥感获取影像→预处理/反演得到专题图层→导入 GIS 做空间分析与建模→结合社会经济数据做多准则决策→可视化服务于规划与应急。典型如城市热岛监测到绿地优化布局。

机器学习（如 CNN）在遥感图像分类中有哪些优势与挑战？

参考回答：优势是能自动学习多层次空间特征，对复杂地物（如细小道路、混合像元）识别优于传统指数法，且可端到端训练。挑战包括：样本标注成本高、可解释性差、“同物异谱/同谱异物”导致迁移困难、训练数据与实际分布偏移。解决方向是迁移学习、物理约束与少量样本学习。

什么是数据同化？它在地球系统研究中起什么作用？

参考回答：数据同化是把观测数据融合进数值模型、不断校正状态变量以降低误差的方法，如集合卡尔曼滤波（EnKF）、变分同化。作用有三：生成最优初始场、提高预报精度、反演无法直接观测的变量。它是连接“卫星观测”与“地球系统模型”的桥梁，也是再分析资料（如 ERA5）的基础。

如何用地球系统科学的手段服务于联合国可持续发展目标（SDGs）？

参考回答：遥感与 GIS 可对 SDGs 提供可量化的监测指标，如用夜间灯光评估减贫（SDG 1）、用植被指数评估陆地生态（SDG 15）、用海表温度评估气候行动（SDG 13）、用建成区扩张评估可持续城市（SDG 11）。关键是建立“指标—算法—验证”体系，把宏大目标变成可追踪的数据证据。

如果让你读一篇英文遥感论文，你会怎么快速抓住核心？

参考回答：先看摘要与图表结论，再读引言最后一段明确研究 gap，跳到方法看数据与模型，最后看讨论中的局限。遇到术语用 Google Scholar 溯源，配合原文图表反向理解公式，效率更高。

科研中如果数据和模型结论不一致，你会怎么处理？

参考回答：先排查数据质量与预处理错误，再检查模型假设与参数；若仍不一致，可能是发现了真实信号或边界效应，应如实记录并做敏感性分析，绝不篡改数据迎合预期。诚信与方法透明是科研底线。

你还有什么问题想问我们（导师/项目）？

参考回答：我想了解求是班低年级科研训练的具体机制，以及是否有与海外地球系统研究中心的联合培养机会；也想知道项目更偏向“方法创新”还是“科学问题驱动”，以便提前规划。

版本一：数理编程型（适合信息学/数学背景）

各位老师好，我是……。我擅长数学与编程，曾获得……奖项，并熟练使用 Python 进行数据分析与可视化。高二时我用公开的 Landsat 影像做了校园周边土地利用变化的小研究，第一次体会到“用代码读懂地球”的乐趣。我希望加入数字地球系统科学方向，把算法能力转化为解决气候变化与生态环境问题的工具，也期待在导师指导下早日进入科研训练。

版本二：地理综合型（适合地理/自然探索背景）

各位老师好，我是……。我对自然地理与信息技术结合抱有浓厚兴趣，在校参与过……地理实践与 GIS 制图项目，也自学了遥感基础与空间分析。我理解数字地球是把地球“数字化、可计算化”的研究范式，我希望在此方向上深入学习地球系统建模与大数据分析，未来围绕碳循环或灾害风险做定量研究，贡献于可持续发展。

版本三：交叉探索型（适合刚接触、热情驱动）

各位老师好，我是……。我来自……，虽然系统接触地球科学不久，但我对全球变化与人工智能交叉的前景非常着迷，已自学 Python、看完一门遥感入门课，并尝试复现了 NDVI 植被指数计算。我选择求是科学班，正是看中它“早进实验室、交叉培养”的模式，希望以踏实的行动把兴趣变成专长。

学科前沿：

1. 定量遥感与物理反演：从经验统计走向基于辐射传输模型的参数反演（地表温度、植被叶绿素、土壤湿度），强调不确定性量化。

2. 地球系统模式与高分辨率耦合：公里级 CMIP 与区域降尺度，提升极端事件模拟能力，支撑 IPCC 评估。

3. 时空大数据与云计算：Google Earth Engine、华为云等让全球尺度分析“免下载”，重塑研究范式。

4. 物理引导的机器学习（AI4S）：把守恒方程、因果约束嵌入神经网络，缓解数据驱动模型的外推风险。

5. 碳卫星与全球碳盘点：OCO-2/3、TanSat 等以柱浓度观测支撑国家碳核算与双碳战略。

6. 数字孪生地球与数据同化：DestinE 等计划构建可交互的地球数字孪生，实时融合观测与模型。

7. 极端气候与灾害智能预警：结合再分析与深度学习做洪涝、热浪、野火的提前预测与风险评估。

8. 行星尺度监测与 SDGs 评估：以遥感指标量化联合国可持续发展目标进展，体现科学治理价值。

备考要点：

① 牢固数理与编程（Python 优先，了解 MATLAB 与 Linux）；② 建立地球系统整体框架，而非死记术语；③ 精通 1–2 个技术点（NDVI、GIS 叠加、CNN 分类、数据同化）并能现场推导；④ 关注 IPCC、Nature/Science 地球科学子刊热点，准备英文摘要阅读；⑤ 训练“问题—方法—验证”的科研表达；⑥ 诚实面对知识边界，展示可培养性与求知欲。