گزارش زیپو کالا؛  فناوری های هوشمند در راه هوای پاک از پیشبینی آلودگی تا کاهش انتشار

گزارش زیپو کالا؛ فناوری های هوشمند در راه هوای پاک از پیشبینی آلودگی تا کاهش انتشار

به گزارش زیپو کالا به نقل از مهر؛ آلودگی هوا در سالهای اخیر و هم زمان با توسعه مناطق صنعتی به یکی از پیچیده ترین چالش های زیست محیطی کلان شهرهای جهان تبدیل گشته است که نتایج آن از تهدید سلامت عمومی فراتر رفته و بر راندمان اقتصادی، پایداری زیرساخت ها و کیفیت زندگی شهری تاثیر می گذارد. برمبنای برآورد سازمان بهداشت جهانی، ۹۹ درصد جمعیت جهان در معرض هوایی قرار دارند که سطح آلاینده های آن از مقادیر استاندارد تعیین شده توسط این سازمان فراتر می رود.
در چنین شرایطی، گسترش فناوری های نوین برای شناسایی منابع آلاینده، پیشبینی تغییرات کیفیت هوا و کاهش انتشار آلاینده ها به یکی از محورهای اصلی سیاستگذاری محیط زیستی تبدیل گشته است. تجربه کشورهای پیشرو نشان داده است که مقابله مؤثر با آلودگی هوا مستلزم ترکیب فناوری های دیجیتال، تحول در زیرساخت های انرژی و نوسازی سیستم های حمل و نقل است.

هوش مصنوعی و اینترنت اشیا در مدیریت هوشمند آلودگی

یکی از مهم ترین تحولات فناورانه در رویارویی با آلودگی هوا، توسعه سیستم های پایش و پیشبینی هوشمند مبتنی بر هوش مصنوعی، اینترنت اشیا (IoT) و تحلیل کلان داده هاست. این سیستم ها با بهره گیری از شبکه سنسورهای متصل، ایستگاههای سنجش زمینی، تصاویر ماهواره ای و اطلاعات هواشناسی، امکان اندازه گیری مستمر غلظت آلاینده هایی نظیر ذرات معلق «PM2.5» و «PM10»، دی اکسید نیتروژن و دی اکسید گوگرد را فراهم می کنند. تلفیق داده های محیطی با الگوریتم های یادگیری ماشین و شبکه های عصبی عمیق هم به شناسایی الگوهای انتشار آلاینده ها، پیشبینی دوره های بحرانی و تعیین مناطق نیازمند مداخله کمک می نماید. اهمیت این فناوری ها در آنست که مدیریت آلودگی را از فرایندی به طور عمده واکنشی و متکی بر ثبت وضع موجود، به نظامی پیشبینی محور تبدیل می کنند که می تواند اقدامات کنترلی را قبل از تشدید آلودگی فعال کند.
تجربه چین نمونه قابل توجهی از کاربرد این رویکرد است. بر همین اساس، پژوهشی با عنوان «کنترل آلودگی هوا در چین: سیاست ها، ادغام فناوری های الکترونیکی و نتایج جهانی» که در کنفرانس «ESET ۲۰۲۵» پخش شده، نشان داده است که دولت این کشور با توسعه زیرساخت های پایش دیجیتال، استفاده از کلان داده ها و تقویت سیستم های مدیریت اضطراری توانسته است ظرفیت نظارت و مداخله محیط زیستی را ارتقا دهد. مطابق نتایج پژوهش، غلظت ذرات معلق «PM۲.۵» در پکن طی سالهای ۲۰۱۳ تا ۲۰۱۷ حدود ۳۵ درصد کم شده است. البته این موفقیت حاصل مجموعه ای از سیاستهای کنترل انتشار، اصلاح ساختار انرژی و اقدامات اجرائی بوده و نمی توان آنرا فقط به استقرار فناوری های دیجیتال نسبت داد.
نمونه دیگری از پیشرفت این فناوری ها در پژوهشی متعلق به سال ۲۰۲۶ در رابطه با منطقه صنعتی سیواکاسی هند عرضه شده است. در این مطالعه، داده های سنسورهای محیطی با تصاویر دوربین ها و پهپادها ترکیب شده و شبکه عصبی «VGG۱۶» برای استخراج خصوصیت های بصری آلودگی به کار رفته است. مدل چندوجهی حاصل توانسته به دقت ۹۳٫۶۴ درصد در طبقه بندی وضعیت آلودگی برسد، در صورتیکه دقت مدل متکی بر داده های سنسوری به تنهایی ۸۷٫۵۴ درصد گزارش شده است. به باور کارشناسان، این نتایج، ظرفیت تحلیل هم زمان داده های تصویری و محیطی را برای پیشرفت سیستم های اخطار نشان داده است.
پژوهش انتشار یافته دیگری در سال ۲۰۲۶ در نشریه «npj Clean Air»نیز از توسعه مدل پیشرفته «TransNet» برای پیشبینی غلظت «PM2.5» در کره جنوبی، خبر می دهد. این مدل بر پایه شبکه های عصبی گرافی (GNN) طراحی شده و با ترکیب یادگیری ماشین و قوانین فیزیکی حاکم بر انتقال آلاینده ها، امکان پیشبینی تغییرات آلودگی تا ۷۲ ساعت آینده را فراهم می آورد. برعکس مدلهای متعارف که به طور عمده بر روابط آماری میان داده های گذشته متکی هستند، «TransNet» فرایندهای انتقال آلاینده توسط باد، انتشار و واکنش های در رابطه با تغییر غلظت ذرات را در ساختار محاسباتی خود لحاظ می کند. محققان این مدل را با بهره گیری از داده های ۱۷۰ ایستگاه سنجش کیفیت هوا در سراسر کره جنوبی ارزیابی کرده اند. نتایج نشان داده است که میانگین خطای مطلق مدل در پیشبینی یک ساعت آینده ۲٫۶۰ میکروگرم بر مترمکعب بوده، در صورتیکه این شاخص برای مدل مقایسه ای «AGATNet» برابر با ۴٫۲۷ میکروگرم بر مترمکعب گزارش شده است. مدل «TransNet» در افق های پیشبینی یک تا ۴۸ ساعت عملکرد بهتری داشته، هرچند مدل رقیب در پیشبینی های طولانی مدت تر و تشخیص برخی رخدادهای شدید آلودگی موفق تر بوده است. این موفقیت ظرفیت استفاده از هوش مصنوعی مبتنی بر قوانین فیزیکی را برای توسعه سیستم های پیشبینی دقیق تر و کم هزینه تر برجسته می سازد.
در کشور سنگاپور، دانشگاه فناوری نانیانگ (NTU) از راه مرکز تغییرات اقلیمی و سلامت محیط زیست (CCEH)، توسعه مدلهای هوش مصنوعی برای پیشبینی کیفیت هوا و ارزیابی مخاطرات زیست محیطی را در دستور کار پژوهشی خود قرار داده است. این مرکز با تلفیق داده های ماهواره ای، اندازه گیری های زمینی و خروجی مدلهای محیطی، بدنبال تولید اطلاعات دقیق با تفکیک مکانی بالا در رابطه با وضعیت آلودگی و میزان مواجهه جمعیت با آلاینده ها است. از خصوصیت های این رویکرد، استفاده از هوش مصنوعی تبیین پذیر و مدلهای مبتنی بر قوانین فیزیکی برای شناسایی فاکتورهای مؤثر بر تغییرات کیفیت هوا و بررسی ارتباط آن با سلامت عمومی است. به اعتقاد کارشناسان، چنین فناوری هایی می توانند به توسعه سیستم های اخطار سریع و تصمیم یار کمک کنند که علاوه بر پیشبینی آلودگی، میزان عدم قطعیت پیشبینی ها را هم ارزیابی می کنند.
علاوه بر موارد ذکر شده، توسعه سیستم بومی «AI_r» در آفریقای جنوبی، نمونه دیگری از کاربرد هم زمان هوش مصنوعی و اینترنت اشیا در پایش آلودگی هوا به حساب می آید. این فناوری که با مشارکت کنسرسیوم پایش کیفیت هوای آفریقای جنوبی (SACAQM) و دانشگاه ویتواترزرند توسعه یافته، سنسورهای محیطی کم هزینه، ارتباطات اینترنت اشیا و تحلیل هوشمند بلادرنگ را در یک سیستم یکپارچه ترکیب می کند. بر همین اساس، تجهیزات «AI_r» قادر به اندازه گیری مستمر ذرات معلق «PM1» و «PM2.5» و «PM4» و «PM10»، ترکیبات آلی فرار، اکسیدهای نیتروژن، دی اکسید کربن و متغیرهای هواشناسی هستند. اطلاعات گردآوری شده هم از راه داشبورد آنلاین مبتنی بر هوش مصنوعی در دسترس عموم قرار می گیرد. دانشگاه ویتواترزرند در می سال ۲۰۲۶ از آغاز برنامه ای دوساله برای بسط استقرار این حسگرها با مشارکت نهادهای عمومی، سازمان های غیردولتی و بخش خصوصی آگاهی داده است. در این برنامه، حسگرها بصورت رایگان در اختیار سازمان های منتخب قرار می گیرند تا پوشش شبکه پایش افزایش یابد. همینطور مقرر است داده های این شبکه با مشاهدات ماهواره ای و مدل سازی پیشرفته جو ترکیب شوند تا ظرفیت پیشبینی کیفیت هوا و ارزیابی مخاطرات تقویت شود.
مجموع این تجربیات جهانی مبین آنست که مسیر گسترش فناوری های هوشمند مدیریت آلودگی هوا بر سه محور اصلی افزایش دقت پیشبینی با بهره گیری از مدلهای یادگیری عمیق و شبکه های عصبی، تلفیق داده های محیطی و ماهواره ای برای شناسایی الگوهای مکانی و زمانی آلودگی و گسترش شبکه های پایش کم هزینه مبتنی بر اینترنت اشیا استوار شده است. در عین حال، باید میان افزایش قدرت تشخیص و پیشبینی آلودگی با کاهش واقعی انتشار آلاینده ها تمایز قائل شد. هوش مصنوعی به تنهایی باعث کاهش انتشار نمی شود و اثربخشی غائی آن به اتصال داده های معتبر و پیشبینی های قابل اتکا به تصمیمات اجرائی، کنترل منابع آلاینده و ارزیابی مستمر نتایج مداخلات وابسته است. از این منظر، توسعه زیرساخت های هوشمند می تواند زمینه گذار از مدیریت واکنشی بحران های آلودگی به حکمرانی پیشگیرانه و داده محور کیفیت هوا را فراهم آورد.

انرژی های تجدیدپذیر و کاهش آلاینده های ناشی از سوخت های فسیلی

در کنار فناوری های پایش، جایگزینی منابع انرژی آلاینده با فناوری های تولید برق پاک از مؤثرترین راهکارهای کاهش انتشار در مبدأ به حساب می آید. نیروگاه های خورشیدی و بادی هنگام تولید برق به فرآیند احتراق متکی نیستند و از این راه می توانند انتشار آلاینده های ناشی از سوخت های فسیلی را کاهش دهند. گزارش شرکت «Clarity» در رابطه با مزایای انرژی های تجدیدپذیر برای کیفیت هوا و اقلیم تاکید می کند که گسترش این منابع علاوه بر کاهش انتشار گازهای گلخانه ای، ظرفیت کاهش هزینه های سلامت و وابستگی به سوخت های آلاینده را هم دارد. در عین حال، ارزیابی آثار زیست محیطی این فناوری ها باید انتشار ناشی از ساخت تجهیزات و چرخه عمر آنها را هم درنظر بگیرد.
یکی از ملاحظات اساسی در این عرصه، تفاوت میان فناوری های تجدیدپذیر است. بطور مثال، تولید برق از زیست توده از راه احتراق می تواند همچنان باعث انتشار ذرات معلق و ترکیبات زیان آور شود. بنابراین، توسعه انرژی پاک باید برمبنای میزان واقعی کاهش انتشار آلاینده ها و نه فقط عنوان تجدیدپذیر بودن فناوری ارزیابی شود. این تمایز برای طراحی سیاستهای انرژی در شهرهایی که با آلودگی ناشی از نیروگاه ها و صنایع مواجهند اهمیت ویژه ای دارد.

برقی سازی حمل و نقل و توسعه شبکه های هوشمند انرژی

تحول در فناوری خودرو های برقی یکی دیگر از محورهای کاهش آلودگی شهری است. حذف انتشار آلاینده ها از اگزوز خودرو های تمام برقی می تواند به کاهش اکسیدهای نیتروژن و ذرات ناشی از احتراق در معابر پرتردد کمک نماید. گزارش وبگاه «IPlanet» در رابطه با آثار زیست محیطی خودرو های برقی، بازده موتور الکتریکی را حدود ۹۰ درصد اعلام نموده و به نقش ترمز احیاکننده در بازیابی انرژی و کاهش فرسایش تجهیزات ترمز اشاره می کند. البته خودرو های برقی همچنان می توانند از راه سایش لاستیک و جاده ذرات معلق تولید کنند و میزان منفعت زیست محیطی آنها به ترکیب منابع تولید برق هم وابسته است.
پیشرفت مهم تر، اتصال خودرو های برقی به شبکه های هوشمند برق است. فناوری انتقال انرژی از خودرو به شبکه (Vehicle-to-Grid) امکان استفاده از ظرفیت ذخیره سازی باتری خودرو ها برای مدیریت نوسانات تقاضای برق را فراهم می آورد. همینطور توسعه ایستگاههای شارژ مجهز به پنل خورشیدی و سیستم های ذخیره سازی محلی می تواند وابستگی شارژ خودرو ها به تولید برق فسیلی را کم کند. در این الگو، حمل و نقل برقی بخشی از یک سیستم یکپارچه مدیریت انرژی خواهد بود.

حکمرانی داده محور و مدیریت مواجهه شهروندان

علاوه بر موارد ذکر شده، کاربرد فناوری در مدیریت آلودگی به کاهش انتشار محدود نمی گردد. توسعه نقشه های مکانی مواجهه جمعیت، سیستم های اخطار اختصاصی و خدمات عمومی مبتنی بر داده می تواند آثار بهداشتی دوره های بحرانی را کم کند. در این مورد، تجربه سیستم دیجیتال «Check air quality» بریتانیا نشان داده است که اطلاعات کیفیت هوا را می توان برمبنای موقعیت مکانی شهروندان در اختیار آنها قرار داد و هشدارهای در رابطه با افزایش آلودگی را از راه پیامک یا ایمیل ارسال کرد. چنین خدماتی زمینه تصمیم گیری آگاهانه تر در رابطه با کارهای روزمره و کاهش مواجهه غیرضروری با آلاینده ها را فراهم می کنند.

جمع بندی

در نهایت، بررسی تحولات فناورانه و تجربه کشورهای مختلف نشان داده است که مقابله مؤثر با آلودگی هوا بالاتر از آن که به توسعه یک تکنولوژی مستقل وابسته باشد، مستلزم ایجاد پیوندی منسجم میان سیستم های پایش هوشمند، فناوری های کاهش انتشار و زیرساخت های مدیریت انرژی و حمل و نقل است. تجربه چین در تلفیق فناوری های دیجیتال با سیاستهای کنترل آلودگی، پیشرفت کره جنوبی در توسعه مدلهای پیشبینی مبتنی بر یادگیری عمیق، پژوهش های سنگاپور در حوزه اخطار سریع و گسترش شبکه های سنسوری کم هزینه در آفریقای جنوبی نشان داده است که هوش مصنوعی و اینترنت اشیا ظرفیت قابل توجهی برای پیشرفت دقت پایش، پیشبینی شرایط بحرانی و پشتیبانی از تصمیم گیری محیط زیستی دارند. در کنار این تحولات، توسعه انرژی های تجدیدپذیر، برقی سازی حمل و نقل و یکپارچه سازی سیستم های هوشمند انرژی می تواند زمینه کاهش انتشار آلاینده ها در مبدأ را فراهم آورد.
با این حال، اثربخشی این فناوری ها به میزان ادغام آنها در سیاستهای اجرائی و زیرساخت های شهری وابسته است. سیستم های هوشمند به تنهایی آلودگی را کاهش نمی دهند و فناوری های پاک هم بدون توجه به ترکیب منابع انرژی، الزامات زیرساختی و خصوصیت های محلی لزوماً به نتایج مطلوب منجر نخواهند شد. از این منظر، راهبرد مؤثر برای کلان شهرهایی مانند تهران، حرکت به سوی یک نظام یکپارچه مدیریت کیفیت هوا است که در آن داده های محیطی و پیشبینی های هوشمند مستقیماً به شناسایی منابع آلاینده، اولویت بندی مداخلات، مدیریت مصرف انرژی و ارزیابی مستمر نتایج متصل شوند. سرانجام، معیار موفقیت نوآوری های فناورانه در این زمینه نه گستردگی تجهیزات و سیستم های دیجیتال، بلکه توانایی آنها در کاهش قابل اندازه گیری انتشار آلاینده ها، بهبود پایدار کیفیت هوا و کاهش مواجهه جمعیت با مخاطرات ناشی از آلودگی خواهد بود.
بطور خلاصه، نتایج نشان داده است که میانگین خطای مطلق مدل در پیشبینی یک ساعت آینده ۲٫۶۰ میکروگرم بر مترمکعب بوده، در صورتی که این شاخص برای مدل مقایسه ای AGATNet برابر با ۴٫۲۷ میکروگرم بر مترمکعب گزارش شده است. مدل TransNet در افق های پیشبینی یک تا ۴۸ ساعت عملکرد بهتری داشته، هرچند مدل رقیب در پیشبینی های طولانی مدت تر و تشخیص برخی رخدادهای شدید آلودگی موفق تر بوده است. بر همین اساس، تجهیزات AI_r قادر به اندازه گیری مستمر ذرات معلق PM1 و PM2.5 و PM4 و PM10، ترکیبات آلی فرار، اکسیدهای نیتروژن، دی اکسید کربن و متغیرهای هواشناسی هستند.

منبع:

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

دنیای فندک های زیپو در دستان شما! با زیپو کالا، بهترین فندک ها رو با بهترین قیمت خریداری کنید!