Machine Learning in Environmental and Climate Science: Overview and Introduction
Notice bibliographique
Résumé
Abstract Machine learning (ML), a major branch of artificial intelligence, has been advancing environmental science beyond what is possible with the traditional approaches of physics, chemistry, biology, and statistics. ML and statistics are both data science approaches; however, relative to statistics, ML trades off interpretability for prediction accuracy. Poor interpretability initially hindered the acceptance of ML methods in environmental science. ML methods are now widely used in the fields of atmospheric science, oceanography, cryospheric science, hydrology, forestry, agricultural science, and climate science. The most common ML methods are neural network (NN) models, inspired by biological NNs in animal brains. Deep learning, that is, deep NN models, has become prominent since the mid-2010s, with the number of layers of mapping in deep NN models being much larger than in the earlier NN models. ML methods were initially introduced into environmental science as nonlinear statistical tools, with no direct relation to numerical models based on physics (“physics” being used in the broadest sense, i.e., physics + chemistry + biology, etc.). The recent merging of the two entirely different approaches, ML and numerical modeling, points to a new future for environmental and climate 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 | 0,011 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,008 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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; 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 ».