მანქანური სწავლების (ML) და დიდი მონაცემების (BD) გამოყენება გარემოს ინოვაციურ გადაწყვეტილებებში

Abstract

დიდი მონაცემებისა და მანქანური სწავლების მეთოდების გამოყენება ინოვაციური გარემოსდაცვითი გადაწყვეტილებებისთვის განხილულია წარმოდგენილ ნაშრომში. ეს საკითხი სულ უფრო აქტუალური ხდება, განსაკუთრებით მას შემდეგ, რაც დაიწყო მისი შესწავლა დედამიწის სადამკვირვებლო მისიის თანამგზავრების მიერ. მოდელის შედეგები ასევე მნიშვნელოვანი მონაცემთა წყაროა გამოსაყენებლად. დაგროვდა დიდი რაოდენობით ინფორმაცია, რომლის დამუშავება ახალ მიდგომებს მოითხოვს. დიდი მონაცემები და მანქანური სწავლება აქტუალური გახდა კლიმატის ცვლილების შეფასებისას. კლიმატის ცვლილების ნეგატიური ზემოქმედების შერბილება შესაძლებელია ბუნებაზე დაფუძნებული გადაწყვეტილებების გამოყენებით, რომელთა განხორციელება მოითხოვს დიდი მონაცემებისა და მანქანური სწავლებბის მიდგომებს.

The use of big data and machine learning methods for innovative environmental solutions are discussed in presented paper. This issue is becoming more and more actual, especially after it began to be studied by satellites of the Earth observation mission. The model outcomes are also important data source to be used. A large amount of information has been accumulated, the processing of which requires new approaches. Big data and machine learning have become relevant in the assessment of climate change. The negative impact of climate change can be mitigated by using Nture Bsed Solutions, which implementation requires Big Data and Machnine Learning approaches.

В представленной статье обсуждается использование больших данных и методов машинного обучения для инновационных экологических решений. Этот вопрос становится все более актуальным, особенно после того, как его начали изучать спутники миссии наблюдения Земли. Результаты модели также являются важным источником данных для использования. Накоплен большой объем информации, обработка которой требует новых подходов. Большие данные и машинное обучение стали актуальными для оценки изменения климата. Негативное воздействие изменения климата можно смягчить, используя решения, основанные на природе, для реализации которых требуются подходы к большим данным и машинному обучению.