文献

J-GLOBAL ID：202202221113515573   整理番号：22A0725690

環境汚染におけるデータ駆動機械学習:利得と課題【JST・京大機械翻訳】

Data-Driven Machine Learning in Environmental Pollution: Gains and Problems

著者 (11件)： Liu Xian (State Key Laboratory of Environmental Chemistry and Ecotoxicology, Research Center for Eco-Environmental Sciences, Chinese Academy of Sciences, People’s Republic of China) ,  Lu Dawei (State Key Laboratory of Environmental Chemistry and Ecotoxicology, Research Center for Eco-Environmental Sciences, Chinese Academy of Sciences, People’s Republic of China) ,  Zhang Aiqian (State Key Laboratory of Environmental Chemistry and Ecotoxicology, Research Center for Eco-Environmental Sciences, Chinese Academy of Sciences, People’s Republic of China) ,  Zhang Aiqian (School of Environment, Hangzhou Institute for Advanced Study, University of Chinese Academy of Sciences, People’s Republic of China) ,  Zhang Aiqian (College of Resources and Environment, University of Chinese Academy of Sciences, People’s Republic of China) ,  Zhang Aiqian (Institute of Environment and Health, Jianghan University, People’s Republic of China) ,  Liu Qian (State Key Laboratory of Environmental Chemistry and Ecotoxicology, Research Center for Eco-Environmental Sciences, Chinese Academy of Sciences, People’s Republic of China) ,  Liu Qian (College of Resources and Environment, University of Chinese Academy of Sciences, People’s Republic of China) ,  Liu Qian (Institute of Environment and Health, Jianghan University, People’s Republic of China) ,  Jiang Guibin (State Key Laboratory of Environmental Chemistry and Ecotoxicology, Research Center for Eco-Environmental Sciences, Chinese Academy of Sciences, People’s Republic of China) ,  Jiang Guibin (School of Environment, Hangzhou Institute for Advanced Study, University of Chinese Academy of Sciences, People’s Republic of China)
資料名： Environmental Science & Technology  (Environmental Science & Technology)
巻： 56  号： 4  ページ： 2124-2133  発行年： 2022年 
JST資料番号： B0839A  ISSN： 0013-936X  CODEN： ESTHA  資料種別： 逐次刊行物 (A)
記事区分： 文献レビュー  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 環境の複雑性と動力学は,汚染における時間的および空間的変化を直接予測し,追跡するのが非常に難しい。過去10年間,データの前例のない蓄積,高性能計算電力の開発,および多様な機械学習(ML)法の上昇は,環境汚染研究のための新しい機会を提供する。ML方法論を衛星データ処理で用いて,大気汚染物質の地上レベル濃度,汚染源配分,および水汚染物質の空間分布モデリングを得た。しかし,化学毒性予測におけるMLの活発な実践とは異なり,汚染物質の環境プロセス研究における深いニューラルネットワークのような高度なアルゴリズムは,まだ不足している。さらに,MLの環境適用の40%以上が大気汚染に至り,環境科学の他の側面における適用範囲と受容は増加されていない。環境科学とその問題解決シナリオを革命するML法の使用は,それ自身の課題を持っている。モデル性能と解釈可能性の間のトレードオフ,機械学習モデルの必要条件,モデル選択,およびデータ共有のようないくつかの問題を考慮するべきである。Copyright 2022 American Chemical Society All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  濃度 ,  大気汚染 ,  *環境汚染 ,  電力 ,  問題解決 ,  ニューラルネットワーク ,  毒性 ,  汚染源 ,  水質汚濁物質 ,  大気汚染物質 ,  モデリング ,  環境科学 ,  *利得 ,  *機械学習

著者キーワード (5件)： 機械学習 ,  環境プロセス ,  汚染 ,  ビッグデータ ,  人工知能

分類 (3件)： 大気質調査測定一般  (SB03040I) ,  粒状物調査測定  (SB03060E) ,  気圏環境汚染  (SB03020M)

タイトルに関連する用語 (4件)： 環境汚染 ,  データ駆動 ,  機械学習 ,  利得