Le changement climatique est un aspect de nos vies qui présente des défis urgents nécessitant des approches innovantes et des efforts collaboratifs dans divers domaines. Notre recherche examine la croissance et la structure thématique de l'intersection entre la recherche sur le changement climatique et l'apprentissage automatique (AA). En employant une approche mixte, nous avons analysé 7521 publications en accès ouvert provenant de la Web of Science Core Collection (2004–2024), utilisant à la fois R et Python pour le traitement des données et l'analyse statistique avancée. Les résultats révèlent une croissance annuelle frappante de 37,39 % des publications, indiquant le rôle de plus en plus important de l'AA dans la recherche climatique. Cette croissance s'accompagne d'une augmentation des collaborations internationales, soulignant un effort mondial pour relever ce défi urgent. Notre approche intègre la bibliométrie, l'exploration de texte (y compris les nuages de mots, les graphiques de connaissances avec Node2Vec et K-Means, l'analyse factorielle, la carte thématique et la modélisation de sujets via l'allocation de Dirichlet latente (LDA)), et des techniques de visualisation pour mettre en lumière les tendances et thèmes clés. L'analyse thématique via LDA a révélé sept domaines thématiques clés, reflétant la nature interdisciplinaire de ce domaine de recherche : hydrologie, agriculture, biodiversité, foresterie, océanographie, prévisions et modèles. Ces résultats contribuent à une compréhension approfondie de ce domaine en évolution rapide et informent les futures orientations de recherche et les stratégies d'allocation de ressources en identifiant à la fois les thèmes de recherche établis et émergents ainsi que les domaines nécessitant des investigations supplémentaires.
R et al. (Mon,) ont étudié cette question.