The History and Practice of AI in the Environmental Sciences
Notice bibliographique
Résumé
Abstract Artificial intelligence (AI) and machine learning (ML) have become important tools for environmental scientists and engineers, both in research and in applications. Although these methods have become quite popular in recent years, they are not new. The use of AI methods began in the 1950s and environmental scientists were adopting them by the 1980s. Although an “AI winter” temporarily slowed the growth, a more recent resurgence has brought it back with gusto. This paper tells the story of the evolution of AI in the field through the lens of the AMS Committee on Artificial Intelligence Applications to Environmental Science. The environmental sciences possess a host of problems amenable to advancement by intelligent techniques. We review a few of the early applications along with the ML methods of the time and how their progression has impacted these sciences. While AI methods have changed from expert systems in the 1980s to neural networks and other data-driven methods, and more recently deep learning, the environmental problems tackled have remained similar. We discuss the types of applications that have shown some of the biggest advances due to AI usage and how they have evolved over the past decades, including topics in weather forecasting, probabilistic prediction, climate estimation, optimization problems, image processing, and improving forecasting models. We finish with a look at where AI as employed in environmental science appears to be headed and some thoughts on how it might be best blended with physical/dynamical modeling approaches to further advance our science.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,004 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».