目录
[1 《Comprehensive Survey of Artificial Intelligence Techniques for Climate Change Mitigation》](#1 《Comprehensive Survey of Artificial Intelligence Techniques for Climate Change Mitigation》)
[1.1 研究背景](#1.1 研究背景)
[1.2 方法论](#1.2 方法论)
[1.3 研究内容](#1.3 研究内容)
[2 《A Literature Review on Deep Learning for Environmental Monitoring and Conservation》](#2 《A Literature Review on Deep Learning for Environmental Monitoring and Conservation》)
[1.1 研究背景](#1.1 研究背景)
[1.2 方法论](#1.2 方法论)
[1.3 研究内容](#1.3 研究内容)
[3 对比](#3 对比)
[4 总结](#4 总结)
摘要
本周主要阅读了两篇近两年关于环境与深度学习的综述类文献，前者主要侧重于如何利用 AI 技术主动干预以减少碳排放，后者主要侧重于如何通过 AI 更敏锐地发现环境问题并进行保护，从不同的角度了解了环境领域所应用的深度学习技术。
Abstract
This week, I mainly read two review articles from the past two years on the intersection of environment and deep learning. The former focuses on how to proactively leverage AI technologies to reduce carbon emissions, while the latter emphasizes how AI can more effectively identify environmental issues and support conservation efforts. Together, they offered complementary perspectives on the application of deep learning in the environmental field.
1 《Comprehensive Survey of Artificial Intelligence Techniques for Climate Change Mitigation》
1.1 研究背景
气候变化导致全球变暖、极端天气频发、海平面上升等严重后果，威胁到人类健康和经济稳定。尽管已有许多缓解气候变化的研究，但随着情况的恶化，传统方法可能变得低效，研究更先进的方法以预测、分析、监测和缓解气候变化的后果变得至关重要。而与此同时，不少研究正表明，人工智能通过运用数据、传感设备和学习算法，具有评估、预测和缓解气候变化风险的显著潜力。
1.2 方法论
主要采用 SLR （Systematic Literature Review，系统文献综述）方法，研究过程分为以下四个阶段：
P.S. SLR 是一种结构化的研究方法，旨在通过全面、透明且可复制的步骤，对某一特定领域的所有相关研究进行识别、评估和解释，强调避免主观偏见，确保搜集过程的科学性。
首先，提出了具体的研究问题（RQ），如人工智能在缓解气候变化中的用途是什么；
其次，从 IEEE、Elsevier、Springer 等多个电子数据库中利用关键词和布尔逻辑进行检索；
接着，根据入选和剔除标准筛选论文，比如选入过去十年内发表的、涵盖AI在气候减缓中应用的实证研究及案例分析，剔除观点性文章及未经过同行评审的文献，提升研究结论的稳健性与可信度；
最后，通过设定一套参数（如准确性、鲁棒性、可扩展性等）对最终选定的 54 篇核心论文进行深入分析和打分；
1.3 研究内容
论文核心在于分析如何利用 AI 优化资源配置以减少温室气体（GHG）排放，主要将应用分为六个主要领域，即生态系统、工业、农业、城市与建筑、交通以及混合应用。
文章深入讨论了每个领域的特定痛点，并针对此详细探讨了使用的 DL 或 ML 技术（如CNN、RNN），比如，在生态系统应用中，使用自动化的 AI 方法识别大规模森林中的毁林区；在农业应用上，探讨了 AI 在减少辅助灌溉能源消耗和节水方面的潜力；在交通应用上使用 ANN、DL 和 SVM 预测交通领域的能源需求和二氧化碳排放等。同时，对模型进行了全方位的评估，主要包括准确性、适应性、能源消耗、复杂性、可扩展性、鲁棒性等多种指标，分析了每个领域中 AI 应用的优缺点以及算法步骤。
除此之外，论文还讨论了 AI 算法偏见与气候正义相关性，指出如果训练数据不具代表性或存在偏见，AI 决策可能会刻意强化甚至加剧现有偏见，进而损害特定人群或生态系统的利益。
最终得出研究结论，即 AI 在降低温室气体排放和提高能源效率方面具有深远潜力，不过也面临着高质量数据集短缺、模型缺乏透明度（黑盒问题）以及伦理偏见等挑战。其最常用的编程语言是 Python ，占38.5%。
2 《A Literature Review on Deep Learning for Environmental Monitoring and Conservation》
1.1 研究背景
环境保护对于维持生态平衡、保护生物多样性和减轻人类活动对地球的影响至关重要，但随着工业化、城市扩张和全球变暖加剧，生态系统面临越来越大的压力，对更快、更有效的监测系统的需求也变得越来越迫切。但实地调查和传感器网络等传统方法往往存在响应时间慢、运营成本高等问题，故而需要更先进的方法对复杂的环境动态提供及时和可靠的监测。人工智能，特别是深度学习模型，不仅能自动从不同种类的数据中提取模式、生成预测，又能提高环境评估的精度和响应性。本篇论文就旨在回顾如何应用这些模型解决生态保护中的实际挑战。
1.2 方法论
主要遵循 PRISMA 指南（Preferred Reporting Items for Systematic Reviews and Meta-Analyses，首选报告项目系统评价和元分析指南），在 Springer、IEEE Xplore 和 ScienceDirect 等主要科学数据库进行结构化检索，重点筛选2020年1月后发表的同行评审研究，采用深度学习、保护、监测等关键词组合及相关术语进行检索，并经过人工审核以验证其相关性、方法学严谨性及对领域贡献度，最终从筛选结果中提取了所解决的环境问题、数据类型与获取策略、采用的深度学习模型以及报告的局限性等关键信息。
P.S. PRISMA 是一套旨在帮助作者透明地报告系统综述和元分析过程的标准化指南，要求研究者详细记录文献搜索、筛选及入选的每一个环节，以确保综述的科学性、透明度和可重复性。
1.3 研究内容
本篇论文的研究内容更侧重于技术实施，即如何利用计算机视觉和时间序列模型处理来自传感器和遥感的数据，主要分为大气污染监测、生物多样性、水污染与评估以及森林（砍伐和火灾）四个方面。比如，在大气污染监测方面，重点从视觉、声学与浓度几个方向列举了检测甲烷泄露的应用；在水污染与评估领域，分别从微观和宏观尺度上对有害藻华进行识别与分类等。
文章在列举了部分应用后进行总结，提出模型设计能够反映所处理任务的性质，在物体检测与分类等任务中通常借鉴经典模型（如YOLO），而在预测类任务中通常结合 LSTM、GRU等，同时认为不管在哪种任务中，模型架构都日益转向模块化设计与多分支架构方案。此外，尽管在局部部署中表现优异，但跨领域标准化数据集的缺乏使其鲁棒性难以确定。
3 对比
这一部分主要比较两篇论文的不同点。
第一，侧重点不同。前者更关注如何通过AI改变工业、建筑和交通来减少排放，讨论了大量的社会生产环节；后者则更侧重于生态观察、物种监测和污染识别，对了各种模型在不同自然资源监测任务中的具体表现和改进方案进行了详细罗列；
第二，方法论不同。前者采用详细的 SLR 流程**，**包含明确的RQ、论文筛选统计图表、具体的编程语言占比等量化分析；后者则遵循 PRISMA 指南，更侧重架构范式的定性总结；
第三，细分维度不同。前者探讨了社会经济和伦理层面的影响，如政策制定、公平性和偏见等；后者则更多地探讨部署策略，如模型的轻量化改造以适应资源受限的硬件环境。
4 总结
本周主要阅读了两篇论文，虽然都是人工智能技术在环境科学中的应用，但一篇更注重主动干预，另一篇更注重监测观察，且二者针对范围也有所不同，读第一篇老实说也没有特别仔细，有空还是可以稍微回顾一下。后续打算关联阅读一下相应方向的文献，同时学习一下 agent 编程之类的。