کاربردهای یادگیری ماشین در علوم و مهندسی محیط زیست

رشد یادگیری ماشینی (ML) در علم محیط زیست را می توان به یک مرحله آهسته که تا اواسط دهه ۲۰۱۰ ادامه دارد و یک مرحله سریع پس از آن تقسیم کرد. انتقال سریع با ظهور روش های جدید قدرتمند ML ایجاد شد، که به ML اجازه داد تا با موفقیت بسیاری از مشکلات را که در آن مدل های عددی و مدل های آماری با مشکل مواجه شده اند، حل کند. افزایش سریع هم در کمیت و هم در پیچیدگی داده هایی که روزانه در زمینه علوم و مهندسی محیط زیست تولید می شوند، نیاز به پیشرفت در تجزیه و تحلیل داده ها دارند. رویکردهای پیشرفته تجزیه و تحلیل داده ها، مانند یادگیری ماشین (ML)، به ابزاری ضروری برای آشکار کردن الگوهای پنهان یا استنتاج همبستگی هایی تبدیل شده اند که روش های تحلیلی مرسوم با محدودیت ها یا چالش هایی مواجه هستند. با این حال، مفاهیم و شیوه های ML به طور گسترده توسط محققان در علوم و مهندسی محیط زیست مورد استفاده قرار نگرفته است. این ویژگی پتانسیل ML را برای متحول کردن تجزیه و تحلیل داده ها و مدل سازی در زمینه علوم و مهندسی محیط زیست بررسی می کند و دانش ضروری مورد نیاز برای چنین برنامه هایی را پوشش می دهد. نتایج نشان می دهد چهار نوع اصلی از کاربردهای ML در علوم و مهندسی محیط زیست را عبارتند از: پیش بینی سازی، شناسایی، تشخیص ناهنجاری ها و کشف مواد یا مواد شیمیایی جدید. همچنین دانش ضروری مورد نیاز و کاستی های فعلی در برنامه های کاربردی ML در علوم و مهندسی محیط زیست را با تمرکز بر سه مولفه مهم اما اغلب نادیده گرفته شده بررسی می شوند.

کلیدواژه ها:

شبکه عصبی ، الگوریتم ، پیش بینی ، EDC ، زیست محیطی