Key points are not available for this paper at this time.
La complexité et la dynamique de l'environnement rendent extrêmement difficile la prévision et le suivi direct des changements temporels et spatiaux de la pollution. Au cours de la dernière décennie, l'accumulation sans précédent de données, le développement de la puissance de calcul haute performance, et l'émergence de diverses méthodes d'apprentissage machine (AM) offrent de nouvelles opportunités pour la recherche sur la pollution environnementale. La méthodologie AM a été utilisée dans le traitement des données satellitaires pour obtenir des concentrations au niveau du sol des polluants atmosphériques, le partage des sources de pollution, et la modélisation de la distribution spatiale des polluants de l'eau. Cependant, contrairement aux pratiques actives de l'AM dans la prédiction de la toxicité chimique, les algorithmes avancés tels que les réseaux de neurones profonds dans les études des processus environnementaux des polluants sont encore déficients. De plus, plus de 40 % des applications environnementales de l'AM concernent la pollution de l'air, et son champ d'application et son acceptation dans d'autres aspects de la science environnementale doivent encore être élargis. L'utilisation des méthodes d'AM pour révolutionner la science environnementale et ses scénarios de résolution de problèmes présente ses propres défis. Plusieurs questions doivent être prises en compte, telles que le compromis entre les performances du modèle et son interprétabilité, les prérequis du modèle d'apprentissage machine, la sélection du modèle, et le partage des données.
Liu et al. (Thu,) ont étudié cette question.
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: