هوش مصنوعی دارای پتانسیل گسترده ای برای کمک به حل تعدادی از مشکلات چالش برانگیز در علم سیستم زمین است، از بهبود پیش بینی رویدادهای آب و هوایی شدید گرفته تا افزایش کارایی مدل های آب و هوایی. اما مانند همه برنامه‌های هوش مصنوعی، استفاده از یادگیری ماشین و سایر تکنیک‌ها در علوم محیطی پتانسیل ایجاد سوگیری‌هایی را دارد که می‌تواند نابرابری‌ها را عمیق‌تر کند.
نویسندگان استدلال می کنند که محققان باید رویکردهای اخلاقی، مسئولانه و قابل اعتمادی را برای به کارگیری هوش مصنوعی در علم سیستم زمین ایجاد کنند تا اطمینان حاصل شود که پیامدهای غیرعمدی بی عدالتی محیطی و آب و هوایی را بدتر نمی کند.
دیوید جان گاگن، دانشمند مرکز ملی تحقیقات جوی (NCAR) گفت: «دیدن تمام روش‌هایی که محققان برای به کارگیری خلاقانه هوش مصنوعی در آب و هوا و سایر تحقیقات علوم محیطی پیدا می‌کنند، واقعا هیجان‌انگیز است. اما ما موظفیم مطمئن شویم که ضرر بیشتری نسبت به منفعت نداشته باشیم.»
یک سوگیری مرکزی که می تواند توسط هوش مصنوعی تشدید شود به مکان و نحوه جمع آوری داده های آب و هوا مربوط می شود. به عنوان مثال، طوفان تگرگ، گردباد و سایر رویدادهای شدید آب و هوایی در مناطقی با جمعیت بالاتر بیشتر گزارش می شود. بنابراین، مجموعه داده‌های آب و هوای شدید مورد استفاده برای آموزش مدل‌های یادگیری ماشینی ممکن است به اندازه کافی میزان آب و هوای شدیدی را که در بخش‌های روستایی و کم جمعیت کشور رخ می‌دهد، نشان ندهند. بنابراین، مدل یادگیری ماشین نیز تمایل دارد آب و هوا را در آن مناطق پیش بینی کند.
این مناطق نسبتاً کم جمعیت ممکن است محل زندگی جوامعی باشد که قبلاً توسط جامعه آب و هوا مورد استفاده قرار نگرفته اند.
نویسندگان مجموعه ای از مسائل دیگری را که می تواند از طریق استفاده از هوش مصنوعی برای علوم زیست محیطی ایجاد شود، فهرست می کنند، از جمله استفاده از مدل های غیر قابل اعتماد یا استفاده از یک مدل در موقعیت های نامناسب.
