به گزارش ثریا -  هوش مصنوعی در حال حاضر برای مقابله با مشکل گرمای جهانی و افزایش دما مورد استفاده قرار می‌گیرد و می‌تواند به کاهش دمای جهانی و سازگاری با افزایش آن کمک کند.هوش مصنوعی می‌تواند مصرف انرژی را بهینه‌سازی کند، پیش‌بینی‌های اقلیمی را بهبود ببخشد، تغییرات محیطی را رصد کند و به نوآوری در فناوری‌های اقلیمی سرعت بدهد.

هوش مصنوعی می‌تواند کارآیی سیستم‌های خنک‌کننده را بهبود ببخشد، مصرف انرژی را بهینه‌سازی کند و حتی به توسعه راهبردهای جدید مهندسی زمین کمک کند. هوش مصنوعی با تحلیل حجم بزرگی از داده‌ها و شناسایی الگوها می‌تواند اطلاعات ارزشمندی را برای تصمیم‌گیری در بخش‌های گوناگون از جمله برنامه‌ریزی شهری، کشاورزی و تولید انرژی ارائه دهد و در نهایت انسان‌ها را به آینده‌ای پایدارتر برساند.

این گزارش، مرور دقیقی را بر چگونگی کمک کردن هوش مصنوعی به حل مشکل افزایش دما ارائه می‌دهد.

بهره‌وری انرژی و کاهش گازهای گلخانه‌ای

سیستم انرژی، پیچیده و در حال تحول است. این سیستم به طور فزاینده‌ای در حال الکتریکی شدن، دیجیتالی شدن، متصل شدن به اینترنت و غیر متمرکز شدن است و هزینه‌های مرتبط با آن نیز روزبه‌روز بیشتر می‌شوند. این محرک‌ها، شرکت‌های انرژی را تشویق کرده‌اند تا برنامه‌هایی را که از هوش مصنوعی برای بهینه‌سازی سیستم‌ها، بهبود تولید، کاهش هزینه‌ها، افزایش بهره‌وری، کاهش انتشار گازهای گلخانه‌ای و افزایش ایمنی استفاده می‌کنند، به کار بگیرند.

هوش مصنوعی می‌تواند اتلاف انرژی را کاهش ‌دهد و تحقق عملیات را در تولید، لجستیک و زیرساخت‌ها بهبود ‌ببخشد. گزارش‌ «گروه مشاوره بوستون»(BCG) حاکی از این است که هوش مصنوعی تا سال ۲۰۳۰ می‌تواند پنج تا ۱۰ درصد از میزان انتشار گازهای گلخانه‌ای را در جهان کاهش دهد. برای مثال، هوش مصنوعی شرکت «دیپ‌مایند»(DeepMind) زیرمجموعه «گوگل»، انرژی خنک‌کننده مراکز داده را تا ۴۰ درصد کاهش داد و انتشار گازهای گلخانه‌ای را به طور قابل توجهی کم کرد.

بسیاری از اهداف مورد نظر برای کاربرد هوش مصنوعی در بخش انرژی مانند کاهش هزینه‌ها، افزایش قابلیت اطمینان و بهبود تاب‌آوری در سطح وسیع‌تر و فراتر از محدوده مطالعات موردی، به دشواری قابل سنجش هستند. همچنین پیش‌بینی ماهیت، پذیرش و تأثیر کاربردهای هوش مصنوعی که امکان دارد در آینده پدیدار شوند، چالش برانگیز است.

شرکت‌های نفت و گاز از جمله اولین پذیرندگان فناوری‌های جدید برای افزایش اکتشاف و تولید بوده‌اند. هوش مصنوعی کاربردهای گوناگونی در این بخش دارد که از جمله آنها می‌توان به پردازش داده‌های زیرسطحی، شبیه‌سازی مخزن، عملیات از راه دور، پیش‌بینی تعمیر و نگهداری، رعایت مقررات، تشخیص نشت و خودکارسازی بازپرداخت اشاره کرد.

هوش مصنوعی به دلیل پیچیدگی در روند عرضه، انتقال و تقاضا، کاربردهای متنوعی را در سیستم‌های برق دارد. در سناریوی پذیرش گسترده، کاربرد هوش مصنوعی در عملیات نیروگاه‌ها و نگهداری آنها می‌تواند صرفه‌جویی در هزینه را از طریق سوخت‌های پاکتر و هزینه‌های پایین‌تر به همراه داشته باشد. همچنین، هوش مصنوعی امکان ادغام بیشتر برق تجدیدپذیر را در شبکه برق‌رسانی فراهم می‌کند.

مدل‌سازی اقلیمی و پیش‌بینی‌های پیشرفته

هوش مصنوعی، دقت مدل‌های اقلیمی را افزایش می‌دهد و ارائه پیش‌بینی‌های بهتر را امکان‌پذیر می‌سازد. پیش‌بینی دقیق آب‌وهوا و تحلیل الگوهای آب‌وهوایی متغیر در جهان رو به گرم شدن، برای بهبود عملکرد و برنامه‌ریزی سیستم‌های انرژی ضروری است.

الگوریتم‌های هوش مصنوعی می‌توانند حجم بزرگی از داده‌های به‌دست‌آمده از منابع گوناگون را پردازش کنند، الگوهای پیچیده را شناسایی کنند و مدل‌های پیش‌بینی‌کننده‌ای را ارائه دهند که قبلاً غیر قابل دستیابی بودند. این قابلیت، پیش‌بینی‌های به‌موقع‌تر و دقیق‌تر از رویدادهای شدید آب‌وهوایی را امکان‌پذیر می‌سازد و به جوامع کمک می‌کند تا به طور مؤثر آماده شوند و واکنش نشان دهند.

ریزمقیاس‌نمایی مبتنی بر هوش مصنوعی، پیش‌بینی دمای محلی را بهبود می‌بخشد. روش‌های ریزمقیاس‌نمایی مبتنی بر هوش مصنوعی به ویژه روش‌هایی که از یادگیری عمیق استفاده می‌کنند، نویدبخش افزایش دقت در پیش‌بینی دمای محلی هستند. این روش‌ها از توانایی مدل‌های هوش مصنوعی برای یادگیری روابط پیچیده و غیر خطی بین داده‌ها بهره می‌برند و از روش‌های ریزمقیاس‌نمایی آماری سنتی پیشی می‌گیرند.

برای مثال، پروژه‌هایی مانند «گرین هورایزنز»(Green Horizons) شرکت «آی‌بی‌ام»(IBM) و «گرافکست»(GraphCast) شرکت دیپ‌مایند، پیش‌بینی‌های سریع‌تر و دقیق‌تری را با کمک هوش مصنوعی ارائه می‌دهند.

مدل‌های هوش مصنوعی می‌توانند روابط آماری بین داده‌های اقلیمی در مقیاس بزرگ و مشاهدات محلی را بیاموزند. مدل‌ها، می‌توانند شبیه‌سازی‌های اقلیمی با وضوح بالا تولید کنند، که اغلب از روش‌های آماری سنتی بهتر عمل می‌کنند.

اگرچه آموزش هوش مصنوعی ممکن است فشرده باشد اما مدل‌های هوش مصنوعی پس از آموزش دیدن می‌توانند داده‌های ریزمقیاس‌شده را نسبتاً سریع ارائه دهند و آنها را به گزینه‌های مناسبی برای کاربردهای در لحظه تبدیل کنند. مدل‌های هوش مصنوعی را می‌توان با مناطق و متغیرهای اقلیمی گوناگون تطبیق داد تا به یک فناوری همه‌کاره برای نیازهای متفاوت تبدیل شوند.

نظارت بر محیط زیست و اطلاعات در لحظه

ترکیب هوش مصنوعی با تصاویر ماهواره‌ای، آن را به یک فناوری قوی برای نظارت بر جنگل‌زدایی، حرکت کوه‌های یخ و سایر شکل‌های تغییر زیست‌محیطی تبدیل کرده است.

الگوریتم‌های هوش مصنوعی می‌توانند حجم قابل توجهی از داده‌های ماهواره‌ای را تحلیل کنند تا تغییرات و الگوهای ظریفی را که ممکن است با روش‌های سنتی از دست بروند، شناسایی کنند و اطلاعات مهمی را برای پژوهش‌های پیرامون حفاظت از محیط زیست و تغییرات اقلیمی ارائه دهند.

هوش مصنوعی یک نقش حیاتی را در تقویت سیستم‌های هشدار اولیه بلایای طبیعی مانند سیل، آتش‌سوزی و گرمای شدید بر عهده دارد. این سیستم‌ها با بهره‌گیری از یادگیری ماشینی و سایر روش‌های هوش مصنوعی می‌توانند حجم زیادی از داده‌ها را تحلیل کنند، دقت پیش‌بینی را بهبود ببخشند و تخصیص منابع کارآمدتر را برای واکنش به بلایا امکان‌پذیر سازند.

برای مثال، گوگل با تکیه بر موفقیت طرح آزمایشی هند، قابلیت‌های خود را در پیش‌بینی سیل گسترش داد سپس ۸۰ کشور را در سراسر جهان تحت پوشش گرفت. با راه‌اندازی پلتفرم «Flood Hub»، پیش‌بینی‌های وقوع سیل مبتنی بر هوش مصنوعی برای مناطقی در آفریقا، آسیا و آمریکای لاتین امکان‌پذیر شد.

برنامه‌ریزی و زیرساخت شهری پایدار

هوش مصنوعی با بهینه‌سازی انتخاب مواد، افزایش بهره‌وری انرژی و ساده‌سازی فرآیند ساخت‌وساز، طراحی ساختمان‌های زیست‌محور را متحول می‌کند.

الگوریتم‌های هوش مصنوعی، داده‌های محیطی را تحلیل می‌کنند، عملکرد مواد را پیش‌بینی می‌کنند و وظایف طراحی را خودکارسازی می‌کنند. بدین ترتیب، راهبردهای پایدارتر و کارآمدتری را برای ساخت‌وساز ارائه می‌دهند. هوش مصنوعی با کمک به طراحی ساختمان‌های زیست‌محور، کربن موجود در جو را تا ۵۰ درصد کاهش می‌دهد.

«دوقلوهای دیجیتال» می‌توانند سیستم‌های شهری از جمله انرژی، آب‌وهوا و جمعیت را شبیه‌سازی می‌کنند. دوقلوهای دیجیتال، بازنمایی‌های مجازی از سیستم‌های فیزیکی شهری هستند که از داده‌ها و شبیه‌سازی‌های بلادرنگ برای برنامه‌ریزی و مدیریت بهتر شهری استفاده می‌کنند. آنها کمک می‌کنند تا جنبه‌های گوناگون زندگی شهری از زیرساخت‌ها و مدیریت منابع گرفته تا پایداری زیست‌محیطی مدل‌سازی، شبیه‌سازی و بهینه‌سازی شود.

شبیه‌سازی‌های مبتنی بر هوش مصنوعی به طور فزاینده‌ای برای کمک به شهرها و زیرساخت‌ها در مدیریت خطرات اقلیمی با پیش‌بینی سناریوهای اقلیمی، ارزیابی آسیب‌پذیری‌ها و بهینه‌سازی راهبردهای سازگاری استفاده می‌شوند. این شبیه‌سازی‌ها از مجموعه داده‌های گسترده و الگوریتم‌های پیشرفته برای شناسایی خطرات، مدل‌سازی تأثیرات بالقوه و پشتیبانی از تصمیم‌گیری برای آینده‌ پایدارتر استفاده می‌کنند.

کشاورزی، احیای جنگل و مدیریت کربن

هوش مصنوعی در کشاورزی دقیق به استفاده کارآمدتر از آب، افزایش عملکرد محصول و مدیریت بهتر منابع کمک می‌کند. الگوریتم‌های هوش مصنوعی با تحلیل داده‌ها درباره شرایط خاک، الگوهای آب‌وهوایی و نیازهای محصول می‌توانند راهبردهای آبیاری، کوددهی و کنترل آفات را بهینه‌سازی کنند، ضایعات را به حداقل و خروجی را به حداکثر برسانند.

پهپادها و تجهیزات مبتنی بر هوش مصنوعی، سلامت جنگل‌ها و تنوع زیستی را برای حفاظت از آنها رصد می‌کنند. پیشرفت‌های صورت‌گرفته در حوزه پهپاد و هوش مصنوعی، تغییر الگویی را در نظارت بر حیات وحش ایجاد کرده و دقت، کارآیی و مقیاس‌پذیری بی‌سابقه‌ای را در تحقیقات حوزه حیات وحش فراهم آورده است. پهپادها تصاویر هوایی با وضوح بالا، حسگر حرارتی و جمع‌آوری داده‌های بلادرنگ را در مناطق وسیع و غیر قابل دسترس ارائه می‌دهند.

هوش مصنوعی نقش مهمی را در بهبود روند انتخاب مکان‌های جذب کربن و کارآیی این فرآیند بر عهده دارد. الگوریتم‌های هوش مصنوعی می‌توانند مجموعه داده‌های گسترده‌ را تحلیل کنند تا مکان‌های مناسب را برای تأسیسات جذب کربن با در نظر گرفتن عواملی مانند سازندهای زمین‌شناسی، نزدیکی به منابع انتشار و ظرفیت ذخیره‌سازی مشخص کنند. هوش مصنوعی، کارآیی عملیاتی سیستم‌های جذب کربن را نیز بهینه‌سازی می‌کند، میزان جذب کربن را افزایش می‌دهد، میزان مصرف انرژی را پایین می‌آورد و هزینه‌های عملیاتی را به حداقل می‌رساند.

کشف علمی و نقاط عطف

«هوش مصنوعی نوروسیمبولیک»(Neuro-symbolic AI) به مدل‌سازی نقاط بحرانی آب‌وهوا مانند گردش اقیانوس کمک می‌کند.

هوش مصنوعی نوروسیمبولیک، حوزه‌ای است که نقاط قوت شبکه‌های عصبی و هوش مصنوعی با توانایی استدلال مبتنی بر منطق را برای ایجاد سیستم‌های هوش مصنوعی قوی‌تر، قابل تفسیرتر و قابل اعتمادتر ترکیب می‌کند. هدف این حوزه، پر کردن شکاف بین ادراک و استدلال است و از قابلیت‌های تشخیص الگو در شبکه‌های عصبی به همراه نمایش دانش و استدلال منطقی در سیستم‌های نمادین بهره می‌برد.

نرم‌افزارهای خودکار مانند «Climinator» برای بررسی صحت ادعاها پیرامون تغییرات اقلیمی و جلوگیری از انتشار اطلاعات نادرست در حال توسعه هستند. Climinator از یک چارچوب مبتنی بر هوش مصنوعی برای ارزیابی ادعاها پیرامون تغییرات اقلیمی استفاده می‌کند که سپس توسط یک میانجی برای صدور حکم شفاف ترکیب می‌شوند. هدف این رویکرد، ارائه ارزیابی‌های قوی و مبتنی بر شواهد درباره تغییرات اقلیمی با ترکیب دیدگاه‌های علمی متنوع است.

تسریع فناوری و نوآوری اقلیمی

تسریع فناوری و نوآوری اقلیمی برای دستیابی به هدف جهانی انتشار صفر کربن بسیار مهم است و به سرمایه‌گذاری و همکاری قابل توجه بین شرکت‌ها، دولت‌ها و سایر افراد ذی‌نفع نیاز دارد. حوزه‌های مرتبط شامل توسعه و استقرار فناوری‌ها در بخش‌های گوناگون مانند انرژی، حمل‌ونقل و مواد و در عین حال، پرداختن به چالش‌های گسترش این نوآوری‌ها هستند.

هوش مصنوعی با ارائه روش‌هایی برای تحلیل داده‌ها، بهینه‌سازی استفاده از منابع و توسعه راه‌حل‌های مؤثرتر، به طور قابل توجهی از استارت‌آپ‌های فناوری مرتبط با آب‌وهوا پشتیبانی می‌کند. این استارت‌آپ‌ها از هوش مصنوعی برای پرداختن به چالش‌های مرتبط با انرژی‌های تجدیدپذیر، کشاورزی، مدیریت کربن و موارد دیگر استفاده می‌کنند و با جذب بودجه، هدایت نوآوری را بر عهده می‌گیرند.

اگرچه هوش مصنوعی یک حوزه نویدبخش است اما کارشناسان هشدار می‌دهند که توسعه آن باید برنامه‌های متمرکز بر آب‌وهوا را در اولویت قرار دهد.

منبع : گرمای جهانی