Proyectos reales, de este curso y de la comunidad GeoSMART más amplia. Lea cada uno con las preguntas de este capítulo: quién era el público del resultado, y cuál era la vía de impacto — quién podía actuar con él, y qué habrían necesitado que el proyecto sí ofrecía, o todavía no. La galería es también la mejor calibración disponible para dimensionar su propio proyecto final: estos se hicieron en diez semanas, por equipos como el suyo.
Biblioteca de casos de uso de GeoSMART¶
El proyecto GEO-SMART mantiene una colección de JupyterBooks ejecutables con casos de uso de aprendizaje automático a lo largo de las geociencias — glaciología, hidrología, sismología, ciencias planetarias — cada uno un flujo de trabajo completo, de los datos a la evaluación:
- Libro de casos de estudio científicos de GeoSMART
- Sitio del proyecto GeoSMART — currículo, casos de uso y materiales de hackweek
Están escritos para el público de pares de la disciplina (la primera columna de 7.1): suponen que usted quiere reejecutar y adaptar el flujo de trabajo, así que el producto entregable es el propio libro ejecutable.
Proyecto de curso: Predicción estacional de la velocidad del hielo — Claire Jensen (UW)¶
Pronóstico de series de tiempo de la velocidad superficial del hielo en el Zachariæ Isstrøm, en el noreste de Groenlandia. Los datos de velocidad del hielo son estimaciones derivadas de satélite del Greenland Ice Sheet Mapping Project (GrIMP). Se agregaron tres series de tiempo desde distintos puntos del glaciar, y se entrenaron y probaron por separado, encontrando parámetros y modelos óptimos distintos para cada punto. Se compararon modelos clásicos y profundos, incluyendo LightGBM, RandomForest, LSTM, CNN y transformers (Moirai).
- Repositorio de GitHub
- Informe (etiqueta de versión 1cc81dd)
- Presentación (etiqueta de versión 1cc81dd)
Figura Promedio móvil de 12 meses de las predicciones de velocidad con frecuencia de 6 días de la CNN (entrenamiento en morado, prueba en amarillo) y la LSTM (entrenamiento en rojo, prueba en verde), y la verdad de referencia (azul).
Con la lente del capítulo 7: el público son glaciólogos y la comunidad que modela mantos de hielo — el informe habla en sus cantidades (velocidad en puntos nombrados de un glaciar de descarga nombrado, amplitud estacional) y se compara contra su valor por defecto (¿puede el modelo superar a la climatología estacional?). La vía de impacto corre hacia las proyecciones de balance de masa: una señal estacional de velocidad pronosticable acota las estimaciones de descarga de corto plazo para uno de los mayores glaciares de descarga que le quedan a Groenlandia. Qué necesitaría todavía un uso responsable aguas abajo, en los términos de 7.2: incertidumbre sobre los pronósticos y evidencia de que los modelos por punto se transfieren a puntos, y a años, con los que no fueron ajustados — una declaración de límites que el informe expone con franqueza.
Agregue su proyecto¶
Egresadas y egresados: queremos que esta galería crezca. Abra un pull request contra el repositorio de este libro agregando una entrada a esta página, con la plantilla de abajo. Mantenga la figura por debajo de 500 kB, enlace una versión etiquetada de su repositorio (para que el enlace signifique un estado específico del trabajo) e incluya el párrafo de la lente — es la parte de la que más aprenden los estudiantes que vienen.
## Course project: <Title> — <Name> (<Institution>, <year>)
<3-5 sentences: the question, the data (with link), the models compared,
and the headline result with its honest qualifier.>
- GitHub [repository](<url, at a version tag>)
- [Report](<url>) / [Presentation](<url>)
*Through the Chapter 7 lens:* <2-4 sentences: who the audience was and how
that shaped the deliverable; the impact path (who could act, on what
decision); and what responsible downstream use would still need.>