الاستدامة الحاسوبية

يركز صون التنوع البيولوجي في المقام الأول على الحفاظ على تنوع الأنواع، والاستخدام المستدام للأنواع والنظم البيئية، والحفاظ على الأنظمة الداعمة للحياة والعمليات البيئية الأساسية. ويُعدّ صون الأنواع هدفًا هامًا للاستدامة لمنع فقدان التنوع البيولوجي . ومع توسع المدن في جميع أنحاء العالم، باتت الحياة البرية مهددة داخل المدن وحولها. وقد شملت الجهود المبذولة في مجال الصون إنشاء ممرات للحياة البرية تُستخدم لربط تجمعات الحيوانات البرية التي أصبحت معزولة بسبب تجزئة الموائل بفعل الإنسان . ويُمثل بناء هذه الممرات تحديًا نظرًا لوجود حواجز بين الموائل ومالكي العقارات (زيلر، غوتو). ^{[ 14 ]} ويؤدي نقل الأنواع لربط مناطق الصون الأساسية عبر الممرات إلى مشكلة في التحسين. وهنا يأتي دور التكنولوجيا، ليس فقط في تحسين الممرات، بل أيضًا في المساعدة على تحليل التكلفة والعائد. علاوة على ذلك، يُستخدم الذكاء الاصطناعي كأداة في المعركة المستمرة ضد فقدان التنوع البيولوجي والأنشطة غير القانونية مثل الصيد الجائر . وفي السنوات الأخيرة، أُجريت أبحاث مكثفة حول استراتيجيات رصد الحياة البرية لفهم الأنماط بشكل أفضل وتعزيز الأمن لمكافحة الصيد الجائر (غوميز). ^{[ 15 ]} يمثل دمج الذكاء الاصطناعي في جهود الحفاظ على الحياة البرية خطوة مهمة إلى الأمام في الجهود الجماعية لحماية النظم البيئية الطبيعية والحفاظ عليها.

تُحدد الأمم المتحدة سبعة عشر هدفًا مختلفًا للتنمية المستدامة لحماية كوكب الأرض، ولكل منها أهميته الخاصة. يُركز الهدف الرابع عشر على حماية الحياة تحت الماء، بينما يُعنى الهدف الخامس عشر بحماية الحياة على اليابسة. ورغم أن التكنولوجيا لطالما فضّلت القطاعات الربحية، إلا أن إمكاناتها في إحداث ثورة في الاستدامة البيئية، لا سيما في مجال حماية الحياة البرية، لا تزال غير مُستغلة إلى حد كبير. ومن خلال دراسة التحديات والمساهمات والمساهمات المحتملة التي تُقدمها التطورات التكنولوجية في تحقيق الهدفين الرابع عشر والخامس عشر من أهداف التنمية المستدامة، يُمكن تسخير الابتكارات الحاسوبية لحماية الحياة تحت الماء وعلى اليابسة.

تطبيق تقنيات التعلّم الآلي لمواجهة تحديات التنبؤ بالحرائق وإدارتها في غابات ألاسكا الشمالية. وقد أكدت الدراسات على أهمية تكييف استراتيجيات إدارة الحرائق الحالية مع المشهد المتغير للحرائق، لا سيما مع الأخذ في الاعتبار تأثير تغير المناخ على وتيرة الحرائق. ومن خلال دمج متغيرات متنوعة كالتضاريس والغطاء النباتي والعوامل المناخية ، يتماشى هذا البحث مع نموذج الاستدامة الحاسوبية، الذي يسعى إلى الاستفادة من النماذج الحاسوبية في الممارسات البيئية المستدامة.

يوجد إطار عمل جديد للتعلم الآلي للتنبؤ بالحرائق، يُمثل إضافةً قيّمةً للاستدامة الحاسوبية في مجال الرصد البيئي. يُركز النموذج على تحديد نقاط الاشتعال المُحتملة التي قد تُؤدي إلى حرائق واسعة النطاق، مُقدماً بديلاً أكثر وضوحاً وقابليةً للتفسير مقارنةً بنماذج التنبؤ الحالية الأكثر تعقيداً. ويعكس التركيز على متغيرين رئيسيين، هما نقص ضغط البخار ونسبة أشجار التنوب، التزام هذه الورقة البحثية بالنهج الحاسوبية العملية والقابلة للتنفيذ في التقييم البيئي. يُسلط تقييم كيفية تأثير الإدارة الفعّالة للحرائق على أنظمة الحرائق الضوء على دور التدخل البشري في تشكيل النتائج البيئية، مُوضحاً إمكانات الاستدامة الحاسوبية في اتخاذ قرارات مُستنيرة في الرصد والتقييم البيئي.

طوّر باحثو الاستدامة الحاسوبية تقنيات متقدمة لمكافحة فقدان التنوع البيولوجي الذي يواجه العالم خلال موجة الانقراض السادسة الحالية . ^{[ 16 ]} وقد ابتكر الباحثون أساليب حاسوبية لرسم خرائط جغرافية مكانية لتوزيع الأنواع وأنماط هجرتها وممراتها البرية ، مما يمكّن العلماء من قياس جهود الحفظ والتوصية بسياسات فعّالة. ^{[ 11 ] [ 13 ] [ 17 ] [ 5 ]}

يُعد استخدام "الطاقة النظيفة وبأسعار معقولة" أحد أهداف التنمية المستدامة السبعة عشر (SDG) على مستوى العالم (Gomes et al., 2019).

تُعدّ الشمس، النجم الوحيد في المجموعة الشمسية الذي يحتضن الكواكب ، مصدراً للطاقة النظيفة والمتجددة لتلبية احتياجات السكان المتزايدة. وعلى عكس الوقود الأحفوري ، لا تُنتج الشمس ملوثات أو غازات دفيئة . لذا، يُمكن للاعتماد على الطاقة الشمسية أن يُقلل من انبعاثات الكربون ، مما يُخفف من ظاهرة الاحتباس الحراري وتدمير النظم البيئية. وستعيش الشمس لحوالي 5 مليارات سنة أخرى، لتُشكّل مصدراً مستداماً للطاقة على المدى الطويل. وإذا تمكّن البشر من استخراج الطاقة وتحويلها بكفاءة، فسيعود ذلك بالنفع على البيئة والاقتصاد، مما يُساهم في تحقيق الاستدامة.

مع ذلك، فإن الطاقة المتجددة ، بما فيها طاقة الرياح والطاقة الشمسية، غير قابلة للتحكم. لا يستطيع البشر التحكم في مصادر الطاقة هذه أو التنبؤ بإنتاجها مسبقًا. عند استخدام الطاقات المتجددة، يحتاج العلماء إلى البحث عن مصادر بديلة للتعويض، وهو ما يرتبط عادةً بالوقود الأحفوري الذي يُعتبر غير مستدام. بدلاً من ذلك، يمكن للأفراد تخزين الطاقة من هذه المصادر المتجددة لتعويض الفرق، وهو ما قد يكون مكلفًا.

ينبغي على العلماء مراعاة عوامل مختلفة عند تصميم نظام التخزين، بما في ذلك تنظيم التردد ، وتحويل الطاقة، وتأخير ذروة الطلب، والطاقة الاحتياطية (غوميز وآخرون، 2019). وسيكون من الصعب على العلماء اتخاذ قرار بشأن استخدام مصادر طاقة متنوعة أو تخزين الطاقة استعدادًا للحالات الطارئة. وتتسم أساليب كل استراتيجية بالتعقيد. وقد حوّل العلماء هذا السيناريو إلى مسألة تحسين تتضمن ثلاثة محاور رئيسية للاستدامة: المحاكاة، والتعلم الآلي، والعلوم التشاركية (غوميز وآخرون، 2019).

يرتبط تغير المناخ والطاقة المتجددة ارتباطًا وثيقًا. فمصادر الطاقة المتجددة، كالشمس والرياح، تعتمد اعتمادًا كبيرًا على المناخ. في الأيام الغائمة، تقل الطاقة الشمسية التي يحصل عليها الناس بسبب حجب أشعة الشمس. كما يؤثر مؤشر الأشعة فوق البنفسجية على إنتاج الطاقة الشمسية. في المقابل، يُفيد استخدام الطاقة المتجددة على نطاق واسع البيئة، إذ يُقلل من ظاهرة الاحتباس الحراري والظواهر الجوية المتطرفة. لذا، يُصبح بناء نموذج مناخي دقيق والتنبؤ بالطقس لإنتاج الطاقة المتجددة أمرًا بالغ الأهمية.

في مقال جونز (2018)، يستكشف استخدام الذكاء الاصطناعي في محاكاة المناخ. تنشأ المشكلات الرئيسية لاستخدام الحواسيب في نمذجة المناخ من نقص التفاصيل وبطء المحاكاة. كما أن اختلاف أساليب الحوسبة قد يؤدي إلى نتائج متباينة وغير دقيقة. على سبيل المثال، يتوقع أحد النماذج أن ترتفع درجة الحرارة بأكثر من ثلاثة أضعاف مقارنةً بنموذج آخر إذا تضاعف مستوى ثاني أكسيد الكربون في الغلاف الجوي. لذلك، يدمج العلماء أطر التعلم الآلي في نماذج المناخ الحالية. يُمكّن هذا الدمج الحاسوب من استخلاص تفاصيل دقيقة بكفاءة أعلى من الحواسيب التقليدية، حتى مع وجود هامش خطأ بسيط، ما يُتيح إجراء محاكاة وتنبؤات دقيقة (جونز، 2018). في الوقت نفسه، تستطيع تقنيات التعلم الآلي، بما في ذلك تطبيع التدفقات، استنتاج الأنماط والسلوكيات طويلة الأجل من بيانات فترة زمنية قصيرة.

يمكن الاستفادة من إجراء عمليات محاكاة صغيرة النطاق، والتي تُعدّ أكثر كفاءة في التنبؤات، لا سيما مع النماذج المميزة. على سبيل المثال، تكفي المعلومات المتعلقة بتطور السحب في منطقة لا تتجاوز بضعة أميال خلال فترة قصيرة لبرنامج "Cloud Brain"، وهو برنامج تعلّم عميق ، لاستنتاج تغير المناخ الناتج عن زيادة انبعاثات ثاني أكسيد الكربون. بعد ذلك، يستطيع البرنامج تحديد نموذج المناخ على نطاق واسع ولفترات طويلة. يتميز هذا النموذج بكفاءة أعلى من عمليات المحاكاة التقليدية عالية الدقة، مع تقديم نتائج مماثلة وواقعية (جونز، 2018). كما تؤدي عمليات تطبيع التدفقات وظائف مشابهة لبرنامج "Cloud Brain". فبعد إدخال الشروط الأولية والنهائية إلى الشبكة العصبية ، تستطيع الخوارزمية تحديد سلسلة من التحولات. عادةً ما تكون الشروط المُعطاة من فترة قصيرة، بينما يمكن أن تكون السلسلة شاملة لسيناريوهات طويلة الأجل لاستنتاجها والتنبؤ بها.

مع ذلك، لا يزال تطوير تقنيات التعلم الآلي هذه للتنبؤ بالعالم المادي يمثل تحديًا. تعمل تقنيات التعلم الآلي "بشكل حدسي" وقد لا تلتزم بقواعد العالم. عند التنبؤ بالمناخ وإنشاء نموذج مناخي، لا يمكن للذكاء الاصطناعي مراعاة عوامل فيزيائية مختلفة، بما في ذلك الجاذبية وتدرج درجة الحرارة ، لتحقيق الكفاءة. قد يؤدي غياب القواعد في الإطار إلى نتائج غير واقعية. قد تكون هذه الأطر غير مرنة ولا تتكيف مع بيئة جديدة ومتنوعة. لا يستطيع "الدماغ السحابي" التنبؤ بدقة بارتفاع درجة الحرارة (جونز، 2018). ومثل " وظيفة الصندوق الأسود " في SMART-Invest (غوميز وآخرون، 2019)، تفتقر تقنيات التعلم الآلي هذه إلى الشفافية. يجد الناس صعوبة في التعرف على النماذج وفهمها (جونز، 2018). في تطبيع التدفقات، يتطلب تعلم التحويلات التقابلية الدقيقة جهدًا إضافيًا، وقليل من الحزم البرمجية تحتوي على وظائف للتعبير عن كل تحويل بشكل صريح. قد تخالف بعض التحويلات قوانين الفيزياء، لكن العلماء لا يملكون طريقة لتحديد المشكلة وحلها. لذا، يصبح تدريب النموذج تدريبًا شاملًا مع إشراف مناسب على قوانين الفيزياء أمرًا ضروريًا. مع ذلك، قد تكون فيزياء الشمس معقدة، ولا يزال العلماء غير متأكدين من عملية الاندماج النووي داخل الشمس. في مثل هذه الحالات، لا توجد معادلة فيزيائية تصف عملية تحويل الطاقة، مما يؤثر على كمية الطاقة الشمسية التي يمكن للبشر استخراجها. وبدون "مجموعة قواعد" محددة، يُعدّ التعلّم الآلي النهج الأمثل لاكتشاف الأنماط والترابطات (جونز، 2018). عند تطبيق تدفقات التطبيع في الطاقة الشمسية وفيزياء الشمس، يجب إتاحة قدر من الحرية للشبكة العصبية لاكتشاف الأنماط في أنظمة الفيزياء الشمسية غير المعروفة.

تسعى أنظمة النقل الذكية (ITS) إلى تحسين السلامة وتقليل أوقات السفر مع خفض انبعاثات غازات الاحتباس الحراري لجميع المسافرين، مع التركيز بشكل أساسي على السائقين. تتكون أنظمة النقل الذكية من نظامين: أحدهما لجمع البيانات ونقلها، والآخر لمعالجتها. يمكن جمع البيانات باستخدام كاميرات الفيديو في المناطق المزدحمة، وأجهزة الاستشعار التي ترصد مختلف العناصر بدءًا من مواقع المركبات وصولًا إلى البنية التحتية المعطلة، وحتى السائقين الذين يلاحظون وقوع حادث ويستخدمون تطبيقًا للهواتف الذكية ، مثل Waze ، للإبلاغ عن موقعه. ^{[ 7 ] [ 11 ]}

تهدف أنظمة النقل العام المتقدمة (APTS) إلى جعل النقل العام أكثر كفاءة وراحة للركاب. تتيح طرق الدفع الإلكترونية للمستخدمين إضافة رصيد إلى بطاقاتهم الذكية في المحطات وعبر الإنترنت. تنقل أنظمة النقل العام المتقدمة معلومات إلى مرافق النقل حول مواقع المركبات الحالية لتزويد الركاب بأوقات الانتظار المتوقعة على الشاشات في المحطات ومباشرةً إلى هواتفهم الذكية. تجمع أنظمة إدارة المرور المتقدمة (ATMS) المعلومات باستخدام الكاميرات وأجهزة الاستشعار الأخرى التي تجمع معلومات حول مدى ازدحام الطرق. تنظم عدادات مداخل الطرق السريعة عدد السيارات الداخلة إلى الطرق السريعة للحد من الازدحام. تستخدم إشارات المرور خوارزميات لتحسين أوقات السفر بناءً على عدد السيارات على الطريق. تنقل لوحات الطرق الإلكترونية معلومات حول أوقات السفر والتحويلات والحوادث التي قد تؤثر على قدرة السائقين على الوصول إلى وجهتهم. ^{[ 11 ]}

مع ازدياد اعتماد المستهلكين على الاتصال بالإنترنت، تقل الحاجة إلى البنية التحتية اللازمة لأنظمة النقل الذكية لاتخاذ قرارات مدروسة. ^{[ 18 ]} تستخدم خرائط جوجل بيانات الهواتف الذكية للحصول على معلومات حول حالة المرور في الوقت الفعلي، مما يسمح للسائقين باتخاذ قرارات بناءً على الطرق ذات الرسوم، وأوقات السفر، والمسافة الإجمالية المقطوعة. ^{[ 19 ]} تتواصل السيارات مع الشركات المصنعة لتثبيت تحديثات البرامج عن بُعد عند إضافة ميزات جديدة أو إصلاح الأخطاء. ^{[ 20 ]} حتى أن شركة تسلا موتورز تستخدم هذه التحديثات لزيادة كفاءة سياراتها وأدائها. ^{[ 21 ]} تمنح هذه الاتصالات أنظمة النقل الذكية وسيلة لجمع المعلومات بدقة، بل ونقلها إلى السائقين دون الحاجة إلى أي بنية تحتية إضافية.

ستساعد أنظمة النقل الذكية المستقبلية في التواصل بين السيارات ليس فقط مع البنية التحتية، بل مع السيارات الأخرى أيضاً. ^{[ 7 ] [ 11 ]}

صُممت شبكة الكهرباء لتزويد المستهلكين بالكهرباء من مولدات الكهرباء مقابل رسوم شهرية تُحدد بناءً على الاستهلاك. ويقوم أصحاب المنازل بتركيب ألواح شمسية وبطاريات كبيرة لتخزين الطاقة المُولدة من هذه الألواح. ويجري إنشاء شبكة ذكية لاستيعاب مصادر الطاقة الجديدة. فبدلاً من أن تقتصر الكهرباء على التوصيل إلى المنازل لاستهلاكها من قِبل الأجهزة المنزلية المختلفة، يُمكن أن تتدفق الكهرباء في كلا الاتجاهين. وستُساهم أجهزة الاستشعار الإضافية على طول الشبكة في تحسين جمع المعلومات وتقليل وقت انقطاع التيار الكهربائي. كما يُمكن لهذه الأجهزة نقل المعلومات مباشرةً إلى المستهلكين حول كمية الطاقة التي يستهلكونها وتكاليفها. ^{[ 22 ]}

تُستخدم الاستراتيجيات الحسابية أيضًا في جمع المعلومات النشط. يُعدّ استخدام التكنولوجيا لقياس كميات هائلة من المعلومات وفرزها أداةً فعّالة في العديد من مجالات الدراسة. على سبيل المثال، تستخدم وكالة ناسا الأقمار الصناعية للحصول على بيانات رادار الفتحة التركيبية (SAR ) لرسم خرائط سطح الأرض. وتستطيع ناسا جمع البيانات بشكل فعّال من أجزاء الطيف الكهرومغناطيسي المرئية، والأشعة تحت الحمراء القريبة، والأشعة تحت الحمراء ذات الموجات القصيرة باستخدام أقمارها الصناعية. تُساعد هذه النتائج في تحديد إزالة الغابات وارتفاع مستوى سطح البحر، وفي التنبؤ بالتغيرات المستقبلية في النظم البيئية المختلفة بناءً على أطوال موجات الرادار واستقطابه. وقد أتاحت ناسا هذه البيانات للجمهور بدءًا من القمر الصناعي Sentinel-1a التابع لوكالة الفضاء الأوروبية (ESA) في عام 2014. ^{[ 23 ]}

تُستخدم تقنيات رؤية الكمبيوتر والتعلم الآلي بشكل متزايد في الاستدامة الحاسوبية لتحليل مجموعات البيانات البيئية، والكشف عن الأنماط في تغيرات النظام البيئي، ونمذجة إدارة الموارد.

تُستخدم تقنيات رؤية الحاسوب لرصد وتتبع الأنواع المهددة بالانقراض ، مثل تتبع تحركات الحيوانات في بيئاتها الطبيعية أو تحديد هوية الحيوانات الفردية لدراسات التجمعات السكانية. فعلى سبيل المثال، يمكن لكاميرات المراقبة المزودة بخوارزميات رؤية الحاسوب أن ترصد الأنواع وتحدد هويتها تلقائيًا، مما يسمح للباحثين بدراسة سلوكياتها دون إزعاجها. كما يمكن لخوارزميات التعلم الآلي تحليل هذه البيانات لفهم سلوك الحيوانات، وتفضيلاتها البيئية، وديناميكيات التجمعات السكانية، مما يُسهم في جهود الحفاظ على البيئة. وهذا بدوره يُساعد في تقييم فعالية تدابير الحماية وتحديد المناطق التي تحتاج إلى حماية.

يمكن لتقنيات الاستشعار عن بُعد، بالاقتران مع التعلم الآلي، رصد جودة الهواء والماء، والكشف عن الملوثات، وتقييم صحة البيئة. فعلى سبيل المثال، يمكن استخدام صور الأقمار الصناعية لرصد تكاثر الطحالب في المسطحات المائية، والذي قد يُلحق الضرر بالحياة المائية وصحة الإنسان. كما يمكن لتقنيات رؤية الحاسوب تحليل صور الأقمار الصناعية للكشف عن إزالة الغابات وأنشطة قطع الأشجار غير القانونية. ومن خلال تحديد المناطق المعرضة للخطر، يستطيع دعاة حماية البيئة والسلطات اتخاذ الإجراءات اللازمة لحماية الغابات والتنوع البيولوجي.

تُستخدم تقنيات الرؤية الحاسوبية لمراقبة صحة المحاصيل، والكشف المبكر عن الأمراض ونقص العناصر الغذائية. فعلى سبيل المثال، تستطيع الطائرات المسيّرة المزودة بكاميرات متعددة الأطياف التقاط صور للمحاصيل، والتي تُحلل لاحقًا باستخدام خوارزميات التعلم الآلي لتحديد المشكلات الصحية. كما تُحلل هذه الخوارزميات البيانات الواردة من أجهزة الاستشعار والطائرات المسيّرة لتحسين تخصيص الموارد في الزراعة. ومن خلال توفير معلومات دقيقة حول صحة التربة ومستويات الرطوبة ونمو المحاصيل، تُساعد هذه الخوارزميات المزارعين على اتخاذ قرارات مدروسة لتحسين الإنتاجية والاستدامة.

تستطيع نماذج التعلّم الآلي تحليل بيانات المناخ التاريخية للتنبؤ بأنماط المناخ المستقبلية. تُعدّ هذه المعلومات بالغة الأهمية لوضع استراتيجيات للتخفيف من آثار تغيّر المناخ، مثل التخطيط لمواجهة الظواهر الجوية المتطرفة وارتفاع مستوى سطح البحر. كما يُمكن استخدام تقنيات رؤية الحاسوب لرصد مصادر الطاقة المتجددة ، مثل الألواح الشمسية وتوربينات الرياح. ومن خلال تحليل بيانات إنتاج الطاقة والظروف البيئية، تُساعد هذه التقنيات على تحسين استخدام الطاقة المتجددة وتقليل الاعتماد على الوقود الأحفوري .

تُمكّن تقنيات رؤية الحاسوب والتعلم الآلي من اتخاذ قرارات قائمة على البيانات في جهود الاستدامة. فمن خلال تحليل مجموعات البيانات الضخمة، يستطيع الباحثون تحديد الاتجاهات، والتنبؤ بالنتائج، واتخاذ خيارات مدروسة للحفاظ على الموارد الطبيعية وحماية البيئة.

تعمل هذه الأساليب على أتمتة معالجة البيانات البيئية، مما يسمح بنمذجة التغيير في الوقت المناسب ودعم عملية صنع القرار في إدارة الموارد.

من خلال تمكين المراقبة والتحليل الأكثر دقة، تعمل رؤية الكمبيوتر والتعلم الآلي على تعزيز جهود الحفاظ على البيئة، مما يساعد على حماية الأنواع المهددة بالانقراض، والحفاظ على التنوع البيولوجي ، والتخفيف من آثار تغير المناخ.

تُسهم رؤى تقنيات رؤية الحاسوب والتعلم الآلي في تطوير ممارسات مستدامة في الزراعة والغابات وغيرها من الصناعات. ومن خلال ترشيد استخدام الموارد وتقليل الأثر البيئي، تدعم هذه التقنيات الاستدامة على المدى الطويل.