A Review of Artificial Intelligence Applications to Achieve Water-related Sustainable Development Goals
Notice bibliographique
Résumé
This paper reviews the Artificial Intelligence (AI) applications that help achieve water-related Sustainable Development Goals (SDGs). Current applications of AI in the water sector include i) predictive maintenance of water infrastructure, ii) forecasting water demand and consumption, iii) monitoring water reservoirs and dams, iv) tracking water quality, and v) monitoring and predicting water-related disasters. These applications contribute to achieving water-related SDG targets, specifically 3, 6, 11, and 15. The literature review shows that: i) the rate of adoption of AI-based solutions in predictive maintenance of water infrastructure has accelerated, as AI becomes increasingly accessible, and data analytics and smart sensors become more efficient and affordable; ii) deep learning technology has enabled a new generation of water management systems, which can generate short-term (daily) and long-term (annual) forecasts. iii) as Asia and South America experience an increase in water reservoir and dam construction, AI-based techniques are being successfully implemented in reservoir development and operation; iv) water quality monitoring has been the most significantly impacted by AI relative to other applications, as AI is used to examine small samples and large water bodies, and for real time water quality monitoring; v) AI can be used to forecast water-related disasters with higher accuracy, frequency and lead time, allowing for focused management of post-disaster activity. The paper ends by highlighting the challenges of adopting AI to achieve water-related SDGs.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,007 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».