Klimabevidst Machine Learning til AGBM-estimering

Resumé

Denne undersøgelse udforsker rollerne for datavidenskaben, maskinlæring og kunstig intelligens i forhold til at løse miljømæssige udfordringer, og fokuserer specifikt på estimeringen af ​​Above-Ground Biomass (AGBM) ved hjælp af satellitbilleder. Forskningen har til formål at sammenligne effektiviteten af ​​tidsmæssige og rumlige modelleringsteknikker i AGBM-estimering og at vurdere nytten af ​​AI-Climate Alignment Framework foreslået af Kaack et al. (2022) til at vejlede miljømæssig ansvarlig modeludvikling. En træbaseret læring og en neural læring trænes på et lille datasæt ved hjælp af en tidsmæssig og en rumlig repræsentation. Resultaterne viser, at den træbaserede læring udsender mindre kulstof i inferens og overgår den neurale læring, når den træner på en lille stikprøve.