امروزه در هرجا که باب صحبت درباره تغییراقلیم باز می‌شود، همراه با دغدغه محیط‌زیست به مفاهیمی نظیر عدالت، محرومیت، کشاورزی و… نیز پرداخته می‌شود. چالش‌هایی ازاین‌دست که به‌دلیل تعاملات پیچیده بین سیستم‌های انسانی و طبیعی به‌وجود آمده‌اند، نیازمند کاربست رویکردهایی فراتر از روش‌های سنتی هستند. از همین رو، متخصصان علوم کامپیوتر و داده در سال ۲۰۰۸ با تأسیس مؤسسه پایداری محاسباتی (ICS) در دانشگاه کرنل ایالات متحده بر آن شدند تا با استفاده از علوم کامپیوتر و محاسبات، مسائل محیط‌زیستی، اجتماعی و اقتصادی مرتبط با توسعه پایدار را با رویکردی نوین چاره‌جویی کنند. آنها با از استفاده از ابزارهای قدرتمندی مانند تحلیل کلان‌داده‌ها، یادگیری ماشین و مدل‌سازی ریاضی تلاش کردند راه‌حل‌هایی نوآورانه برای تحقق اهداف توسعه پایدار و پاسخ به چالش‌های پیچیده جهانی ارائه دهند. درنتیجه این اقدامات، مؤسسه پایداری محاسباتی هم‌اکنون با همکاری بیش از ۱۱ مؤسسه دانشگاهی از ایالات‌ متحده و چندین دانشگاه بین‌المللی دیگر به‌دنبال توسعه راه‌حل‌های پایدار برای مشکلات پیچیده جهانی است. این شبکه همچنان که ابتکاری آکادمیک محسوب می‌شود، با سازمان‌های دولتی و غیردولتی متنوعی نظیر بنیاد جهانی طبیعت (WWF) و رصدخانه فراآفریقایی آب‌وهواشناسی (TAHMO) نیز همکاری پیوسته دارد.

پایداری محاسباتی چگونه کار می‌کند؟

مؤسسه پایداری محاسباتی علوم کامپیوتر را با علوم محیط‌زیست و علوم اجتماعی-اقتصادی ترکیب کرده و از روش‌های پیشرفته محاسباتی برای مدل‌سازی محیط‌زیستی، تحلیل داده‌های بزرگ و طراحی سیستم‌های پایدار استفاده می‌کند. برای مثال، اکنون شاهدیم تغییراقلیم و به‌تبع آن خشکسالی‌های شدید در مناطق مختلف جهان، اثرات ملموسی بر محیط‌زیست و نیز بر کشاورزی و معیشت جوامع آسیب‌پذیر گذاشته است. پایداری محاسباتی با استفاده از داده‌های ماهواره‌ای و مدل‌سازی دینامیکی، آثار محیط‌زیستی تغییراقلیم را پیش‌بینی می‌کند و راه‌حل‌هایی برای مدیریت منابع‌ طبیعی ارائه می‌دهد. به همین ترتیب، برای تحلیل داده‌های اجتماعی می‌توان با استفاده از الگوریتم‌های هوش مصنوعی اثر تغییراقلیم بر تشدید فقر، نابرابری‌های اجتماعی، اقتصادی و فضایی موجود در جوامع را شناسایی کرد و راه‌حل‌هایی برای تحقق عدالت اجتماعی ارائه داد.

«محمد اسکندری‌نسب»، کارشناس توسعه اجتماعی که علاقه علمی خود را بر پایداری محاسباتی متمرکز کرده، توضیح می‌دهد که با انقلاب دیجیتالی و وفور داده‌های دیجیتالی (ردپای دیجیتال)، دانشمندان حوزه‌های مختلف امکان کار روی معضلاتی که قبلاً اطلاعات منسجمی در موردشان وجود نداشت را پیدا کردند.

به‌گفته او، یکی از این نمونه‌ها مدیریت زیستگاه‌های تالابی در کالیفرنیا بود که با کاهش منابع آبی مواجه شد و پرندگان مهاجری که از شمالگان به این مناطق سفر می‌کردند با موانعی روبه‌رو شدند. دانشمندان با استفاده از تصاویر ماهواره‌ای، پیش‌بینی‌های هواشناسی و داده‌های مشاهداتی جمع‌آوری‌شده توسط اپلیکیشن جمع‌سپارانه آزمایشگاه پرنده‌شناسی دانشگاه کرنل با نام «ای‌برد (eBird)» توانستند برای این پرندگان زیستگاه‌های مناسبی را شناسایی کنند. سازوکار اپلیکیشن جمع‌سپارانه ای‌برد بدین‌شکل است که از کاربران (شهروندان داوطلب) خواسته می‌شود تا پرنده‌نگری‌های خود در یک منطقه خاص را گزارش دهند. سالانه بیش از ۱۰۰ میلیون گزارش مشاهداتی توسط پرنده‌نگران از سرتاسر جهان در این اپلیکیشن ثبت می‌شود که پس از بررسی و راستی‌آزمایی، در اختیار سازمان‌ها و نهادهای پژوهشی برای تحلیل و سیاستگذاری قرار می‌گیرد. برای مثال، داده‌های این اپلیکیشن به کشاورزان کمک می‌کند تا زمان و مکان مناسب برای غرقابی‌کردن مزارعشان را به‌گونه‌ای تعیین کنند که هم به حفظ گونه‌های زیستی و هم به معیشت کشاورزان کمک کند.

نمونه دیگری از کاربردهای علوم پایداری محاسباتی که اسکندری‌نسب در گفت‌وگو با «پیام‌ما» به آن اشاره کرد، استفاده از الگوریتم‌های هوشمند در راستای مدیریت خطر آتش‌سوزی در جنگل‌ها بود. به‌گفته او، این الگوریتم‌ها با تحلیل داده‌های اقلیمی و مکانی مناطق پرخطر را پیش‌بینی می‌کنند و راه‌حل‌هایی برای کاهش این خطرات ارائه می‌دهند. به همین ترتیب، پایداری محاسباتی در حوزه انرژی و در طراحی شبکه‌های هوشمند برق کمک‌کننده است و با بهینه‌سازی مصرف انرژی، باعث کاهش انتشار گازهای گلخانه‌ای می‌شود.

پاسخ میان‌رشته‌ای به معضلات پیچیده

پایداری محاسباتی نه‌تنها به مسائل محیط‌زیستی می‌پردازد، بلکه اثر قابل‌توجهی بر مسائل اجتماعی و اقتصادی دارد. الگوریتم‌های تحلیل داده‌های اجتماعی می‌توانند به شناسایی نابرابری‌های موجود در دسترسی به خدمات عمومی کمک کنند. این الگوریتم‌ها به سیاستگذاران امکان می‌دهند منابع را به‌منظور کاهش نابرابری‌های اجتماعی به‌شکلی عادلانه‌تر توزیع کنند.

یکی از برجسته‌ترین پژوهش‌های اجتماعی-اقتصادی در این حوزه، مقاله‌ای با عنوان «ترکیب تصاویر ماهواره‌ای و یادگیری ماشین برای پیش‌بینی فقر» بود که در سال ۲۰۱۶ در نشریه ساینس منتشر شد. پژوهشگران دانشگاه استنفورد در این مقاله به‌دنبال برآورد الگوی فقر در کشورهای آفریقایی با استفاده از داده‌های سنجش از دور بودند. ازآنجاکه در کشورهای آفریقایی داده سرشماری و پیمایشی منسجمی جمع‌آوری نشده است، محققان با استفاده از تصاویر ماهواره‌ای و الگوریتم‌های یادگیری ماشین، الگوی فقر در چند کشور آفریقایی را برآورد کردند. این روش از ویژگی‌های قابل‌مشاهده در داده‌های ماهواره‌ای نظیر شدت روشنایی شبانه (به‌عنوان شاخصی از فعالیت اقتصادی)، الگوی زیرساخت‌ها (مانند جاده‌ها و ساختمان‌ها) و پوشش زمین (مانند زمین‌های کشاورزی) بهره می‌برد. آنها تصاویر ماهواره‌ای را با داده‌های سرشماری ترکیب کردند و با استفاده از مدل‌های یادگیری ماشین به تحلیل ارتباط بین این شاخص‌ها و سطح فقر پرداختند. متخصصان با این تکنیک توانستند نقشه‌هایی از توزیع فقر، با دقت ۷۵ درصد ارائه دهند و به سیاستگذاران برای تخصیص بهتر منابع و کاهش نابرابری کمک کنند.

به‌نظر می‌رسد پیشرفت‌های فناورانه در حوزه‌هایی مانند هوش مصنوعی، یادگیری عمیق و اینترنت اشیا نشان داده‌اند چالش‌های چندوجهی و پیچیده گذشته، اکنون قابل‌حل هستند. انتظار می‌رود در آینده دانشمندان علوم کامپیوتر بتوانند در قالب یک همکاری بین‌رشته‌ای، نقشی کلیدی در حل مسائل محیط‌زیستی، اجتماعی و اقتصادی ایفا کنند و افق‌های جدیدی را برای توسعه پایدار بگشایند.

منبع:

داده‌های این گزارش از مقاله Combining satellite imagery and machine learning to predict poverty نوشته نیل جین و همکاران استخراج شده است. این مقاله برای نخستین‌بار در سال ۲۰۱۶ در نشریه ساینس منتشر شد.