论文内容
研究背景：
在过去的5年中，ML方法在CCRA中的应用也越来越多。这些应用包括i)气象事件(如洪水、滑坡和干旱)的预测和建模(Ali等人，2018年;Shafizadeh-Moghadam等人，2018;Tehrany等人，2018;Zhang等人，2019)和危险源特征(基于卫星的估计)(Rumson等人，2017);Ii)发现潜在暴露的资产并描述其脆弱性,未来情景下的土地利用/覆盖分类和建模，无人机图像用于检测易受风暴影响的屋顶材料)(Shen等人，2019;全球减灾与恢复基金,2018;Liu et al .， 2018;Santini and Valentini, 2011);iii)评估风险情景的定量和定性知识的整合(例如，应用基于地理信息系统(GIS)和贝叶斯网络(BN)的耦合模型来捕捉风险成分之间的因果关系并量化不确定性)(Abebe等人，2018;Furlan等人，2019;Rasouli et al, 2012)。最近的一些同行评议论文集中分析和讨论了基于ml的CCRA方法。例如Sperotto等人(2017)和Landuyt等人(2013)专注于单一方法，回顾了BN在CCRA和生态系统服务评估中的潜力和局限性。从更广泛的角度来看，其他作者比较了应用于生态系统建模(例如珊瑚礁:Salcedo-Sanz等人，2016)、模式提取(例如土地利用模式)以及来自日益增长的地理空间数据流的见解(Reichstein等人，2019)、预测高影响天气现象(McGovern等人，2017)或气候适应和减缓(Rolnick等人，2019)的多种ML技术的适用性。然而，这些论文没有系统地检查:i)专注于这一研究领域的研究人员集群(及其母国)之间的联系和/或工作关系;Ii)共引集群、关键词或研究集群等方面(用于综合科学制图分析和确定循证实践);iii)将多种ml方法应用于整个CCRA过程的贡献和潜在收益，包括其不同组成部分，即危害、脆弱性、暴露和风险评估(Simpson et al .， 2021)。为了弥补现有文献中的这些空白，本文的主要目的是通过对2000-2020年期间确定的出版物进行联合科学计量学和系统综述，对CCRA领域ML方法的研究和应用现状进行深入回顾。科学计量学综述是从定量角度对科学、技术和创新进行研究(Leydesdorff, 2015)，而系统综述则综合证据，以识别与特定主题直接相关的数据，并对其进行定性或定量评价(Roever和Biondi Zoccai, 2016)。两种方法的整合允许对研究领域的全面理解，借助地图，绘图和表格将这些发现转化为CCRA实践。在详细描述了选择和分析涉及ML在CCRA领域应用的出版物的关键操作步骤(第1节)之后，本文介绍了科学计量学和系统综述(第2节)的主要发现，并探讨了ML在CCRA和管理中的应用的潜力和局限性(第3节)。在补充材料SM1和SM2中也提供了概念和功能，以便更容易理解和比较所审查的ml方法和应用。
研究内容：
本文概述了用于气候变化风险评估和未来预测和预测的ML模型，并对过去20年的现有文献进行了科学计量学和系统综述的综合分析。具体而言，该审查侧重于对1200多篇文章的调查。从中筛选出603篇相关文章，然后通过分层选择的方法，基于PRISMA方法，选出36篇重点论文作为基于PRISMA方法，选出36篇重点论文作为基于ml的CCRA应用的代表。
这些结果强调了科学界对将ML方法应用于气候变化风险评估的兴趣日益增加。此外，从(Fig.1)中可以看出，两种与研究相关的科学产出的趋势非常相似，但最相关的区别是，在CCRA中，特定领域的出版物在2015年之后开始增长，而不是从2012/2013年开始上升的总体ML趋势。此外，在2020年期间，ML科学生产似乎略有放缓，而ML和CCRA生产继续呈指数增长。
气候变化风险的研究涉及几个学科。学科领域的共现分析有助于发现这些学科中哪一个更相关。(Fig.2)中的条形图总结了Scopus中选择的1262种出版物中十大最具生产力的主题。具体来说，该图突出了与环境科学相关的出版物数量最多(647篇发表论文)，这是由于该学科的跨学科性质，整合了物理、生物、化学和信息科学。
对每个国家的出版物数量进行分析，可以了解CCRA ML应用的空间分布。
通过bibliometrix R软件包，通过考虑附属作者来计算“国家科学产出”频率的总和(每篇论文为各自附属作者的每个国家分配一个点)。(Fig.3)所示的地图显示了迄今为止在这一研究领域投入更多努力的国家，其中颜色强度与出版物数量成正比(即深蓝色代表科学产量较高的国家)。可以看出，发表论文最多的是中国、伊朗和美国，分别有824篇、747篇和647篇。
将ML方法应用于CCRA的国家间科学合作评估是通过分析与同一篇论文相关的作者隶属关系来进行的。具体地说，通过这种分析，计算出至少有一位来自不同论文的合著者的文档数量。在这篇综述中，分析是在四个不同的时间框架下进行的(即2000-2005年、2005-2010年、2010-2015年、2015-2020年)，以了解协作网络随时间的演变(Fig.4)。
在本研究中，我们通过word treeMap可视化结果来分析关键词的频率(Fig.5)。结果表明，“机器学习”和“气候变化”在被引作者的关键词中非常频繁。但是，必须考虑到这两个术语都包含在数据收集查询字符串中(第1.1段)。除此之外，有趣的是，“地理信息系统”(“GIS”)和“遥感”也经常出现(分别占15%和7%)。
(Fig.6)显示了根据四个时间片(2000-2005年、2000-2010年、2000-2015年、2000-2020年)从1262篇入选论文开始开发的词共现网络图，证明了随着时间的推移，词的聚类和关键词之间的连接(边的增加)逐渐增加。
在关键论文中应用了相当多的ML算法来支持支撑CCRA的不同阶段(Fig.7)，由于同一研究中采用的不同算法经常共存，因此执行的算法数量高于关键论文的数量。
(Fig.8)表示了相关文献中各任务的重复率;可以注意到，分类和回归是执行最多的任务，分别为38%和32%。
在CCRA的不同阶段(即危害、暴露、脆弱性和风险评估;Fig.9A)，我们观察到只有一小部分单独处理危和脆弱性评估(两个阶段均为11%),我们还观察到，大多数文献主要侧重于对历史数据的分析，而没有将ML方法应用于未来气候变化情景整合或建模，36篇关键论文中只有6篇(17%)考虑了气候变化未来情景(如Fig.9B的饼状图所示)，其中只有3篇依赖于IPCC代表浓度路径(Representative Concentration Pathways, rcp)3
研究结论：
本文概述了用于气候变化风险评估和未来预测和预测的ML模型，并对过去20年的现有文献进行了科学计量学和系统综述的综合分析。具体而言，该审查侧重于对1200多篇文章的调查。从中筛选出603篇相关文章，然后通过分层选择的方法，基于PRISMA方法，选出36篇重点论文作为基于ml的CCRA应用的代表。
在此基础上，本研究探讨了科学界如何利用机器学习进行风险评估，并详细概述了这一新兴研究课题的进展、潜力、限制和挑战。同时，它提供了一个与气候政策相一致的CCRA科学进展的良好框架，这需要雄心勃勃的适应目标。从更广泛的角度来看，所提出的讨论引起了人们对未来面临的挑战的关注，这些挑战需要分析和采取行动，以应对即将到来的气候变化影响，同时实现弹性城市和社区，这也是《巴黎气候变化协定》(2015年)规定的目标。在考虑国际政策时，机器学习应用在促进支持灾害风险减少和管理的强大系统风险方法方面发挥了潜力。事实上，机器学习可以支持灾害风险管理，帮助研究人员在与数据集成、不同风险成分合并、极端事件(如洪水、山体滑坡和风暴潮)建模相关的具有挑战性的阶段，并提供更准确、高效和预测性能的替代方法来检查复杂的灾害风险关系。正如《仙台减少灾害风险框架》(2015年)和联合国可持续发展目标(2015年)(可持续发展目标13“气候行动”)所强烈建议的那样。
联合国10项政策趋向于风险评估和分析中的数字创新。这一概念通过实施数字技术创新来解决气候变化分析和适应行动。目前正在进行的数字化转型见证了数字化对实现短期和长期气候目标的贡献。与提出的审查一致，ML、大数据和RS一起可以加强CCRA，帮助实现上述政策目标。
在欧洲层面，欧盟数字战略(2020)鼓励成员国在公共和私营部门采用人工智能(以及相应的机器学习)。成员国致力于在国家和/或适当的次国家层面制定和完善其灾害风险管理计划，其具体目标是防止与气候有关的影响。因此，本次审查的主要结论旨在有助于欧盟未来在CCRA中的ML应用方法，使研究人员有信心接受这些技术，同时鼓励利用这些技术进行气候变化影响评估和适应规划的新商业机会。
CCRA面临的挑战是开发越来越有能力研究和解开不同气候、环境和社会经济变量之间复杂的时空相互关系的ML模型，从而提高对系统行为的整体理解，包括对复合和/或级联事件的分析，以及评估多种风险情景。此外，这些方法必须加强其可重复性(科学方法的一个不可或缺的基础)，以便从一个案例研究到另一个案例研究变得更加普遍，并且更适合环境科学和气候变化研究人员的应用，而不需要计算机科学专家的技术知识。
然而，结构化时空数据集的发展预计将继续增长，数据收集系统中的ML优化甚至可能加速这一过程。将大遥感数据与能够处理这些数据的机器学习算法(甚至更经常以混合和集成形式)相结合，在评估和管理气候变化引起的短期、中期和长期多重风险方面显示出很高的预测潜力。从这个意义上说，基于人工神经网络的方法在网络中使用多层即深度学习可能是最有前途的方法，它提供了从数据中学习和理解高度非线性行为的更高能力。深度学习很可能会更频繁地应用于发现大型数据集中复杂的气候、环境和社会经济结构在数据日益丰富和机器学习模型日益复杂的情况下，研究人员将有可提高对未来气候变率的理解，增强气候预报、预测和预测的能力，其主要目的是提供准确、合理的多风险情景，从而实现更强大的适应规划和灾害风险减少和管理。
期刊信息
期刊：Earth-Science Reviews
影响因子（2022）：12.1
中科院分区：地球科学一区
转自：“农科学术圈”微信公众号
如有侵权，请联系本站删除！
