کاربرد¬های یادگیری ماشین در علوم و مهندسی محیط زیست

Abstract

رشد یادگیری ماشینی (ML) در علم محیط زیست را می توان به یک مرحله آهسته که تا اواسط دهه 2010 ادامه دارد و یک مرحله سریع پس از آن تقسیم کرد. انتقال سریع با ظهور روش‌های جدید قدرتمند ML ایجاد شد، که به ML اجازه داد تا با موفقیت بسیاری از مشکلات را که در آن مدل‌های عددی و مدل‌های آماری با مشکل مواجه شده‌اند، 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 داده‌ها، مانند یادگیری ماشین (ML)، به ابزاری ضروری برای آشکار کردن الگوهای پنهان یا استنتاج همبستگی‌هایی تبدیل شده‌اند که روش‌های تحلیلی مرسوم با محدودیت‌ها یا چالش‌هایی 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: پیش‌بینی‌سازی، 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 مؤلفه مهم اما اغلب نادیده گرفته شده بررسی می شوند.