تصویر از زمین ناسا

با هوشمندتر شدن رایانه‌ها، دانشمندان به دنبال راه‌های جدیدی برای مشارکت دادن آنها در حفاظت از محیط زیست هستند.

وقتی به هوش مصنوعی فکر می‌کنید، اولین تصویری که احتمالاً به ذهنتان خطور می‌کند، ربات‌های هوشمندی است که مانند انسان‌ها راه می‌روند، صحبت می‌کنند و احساسات خود را بروز می‌دهند. اما نوع متفاوتی از هوش مصنوعی وجود دارد که تقریباً در تمام علوم رواج پیدا می‌کند. این نوع هوش مصنوعی با نام یادگیری ماشینی شناخته می‌شود و حول محور به‌کارگیری رایانه‌ها در وظیفه مرتب‌سازی حجم عظیمی از داده‌هایی که فناوری مدرن به ما امکان تولید آنها را داده است (که به آن «کلان داده» نیز می‌گویند) می‌چرخد.

یکی از حوزه‌هایی که یادگیری ماشین بیشترین فایده را دارد، علوم محیطی است که حجم عظیمی از اطلاعات را از نظارت بر سیستم‌های مختلف زمین - برای مثال، سفره‌های آب زیرزمینی، گرمایش زمین یا مهاجرت حیوانات - تولید کرده است. تعداد زیادی پروژه در این زمینه نسبتاً جدید، به نام پایداری محاسباتی، در حال ظهور هستند که داده‌های جمع‌آوری‌شده در مورد محیط زیست را با توانایی کامپیوتر برای کشف روندها و پیش‌بینی آینده سیاره ما ترکیب می‌کنند. این امر برای دانشمندان و سیاست‌گذاران مفید است زیرا می‌تواند به آنها در تدوین برنامه‌هایی برای چگونگی زندگی و بقا در دنیای در حال تغییر ما کمک کند. در اینجا نگاهی به چند مورد از آنها می‌اندازیم.

برای پرندگان - و فیل‌ها

به نظر می‌رسد دانشگاه کرنل در این مرز جدید پیشرو است، احتمالاً به این دلیل که ... موسسه پایداری محاسباتیو همچنین به این دلیل که رئیس آن موسسه، کارلا پی. گومز، یکی از پیشگامان پایداری محاسباتی است. گومز می‌گوید این حوزه حدود سال ۲۰۰۸ آغاز شد، زمانی که بنیاد ملی علوم یک کمک هزینه ۱۰ میلیون دلاری برای سوق دادن دانشمندان کامپیوتر به تحقیقاتی که منافع اجتماعی داشتند، اعطا کرد. از آن زمان تیم او - و تیم‌هایی از دانشمندان در سراسر جهان - این ایده را پذیرفته و با آن پیش رفته‌اند.

یکی از حوزه‌های اصلی که یادگیری ماشینی می‌تواند به محیط زیست کمک کند، حفاظت از گونه‌ها است. به طور خاص، مؤسسه کرنل با آزمایشگاه پرنده‌شناسی کرنل همکاری کرده است تا شور و شوق باورنکردنی پرنده‌نگری را با مشاهدات علمی ترکیب کند. آنها اپلیکیشنی به نام eBird این به شهروندان عادی اجازه می‌دهد تا داده‌هایی در مورد پرندگانی که در اطراف خود مشاهده می‌کنند، مانند تعداد گونه‌های مختلف موجود در یک مکان مشخص، ارائه دهند. گومز می‌گوید تاکنون، بیش از ۳۰۰۰۰۰ داوطلب بیش از ۳۰۰ میلیون مشاهده ارسال کرده‌اند که بالغ بر بیش از ۲۲ میلیون ساعت کار میدانی است.

این انیمیشن از مهاجرت سالانه پرستوهای درختی نشان می‌دهد که چگونه می‌توان از تکنیک‌های پایداری محاسباتی برای پیش‌بینی تغییرات جمعیت در طول فضا و زمان استفاده کرد. تصویر از دنیل فینک، آزمایشگاه پرنده‌شناسی کرنل

مدل‌های این موسسه با ترکیب داده‌های جمع‌آوری‌شده از eBird با داده‌های مشاهده‌ای خود آزمایشگاه و اطلاعات مربوط به توزیع گونه‌ها که از شبکه‌های سنجش از دور جمع‌آوری شده‌اند، از یادگیری ماشینی برای پیش‌بینی محل تغییرات در زیستگاه گونه‌های خاص و مسیرهایی که پرندگان در طول مهاجرت در آن حرکت می‌کنند، استفاده می‌کنند.

گومز می‌گوید: «شکاف‌های بزرگی وجود دارد که در آن‌ها مشاهداتی نداریم، اما اگر الگوهای وقوع و عدم وقوع را به هم ربط دهید، می‌بینیم که این پرندگان نوع خاصی از زیستگاه را دوست دارند و سپس می‌توانیم آن را تعمیم دهیم. ما واقعاً از مدل‌های پیچیده - الگوریتم‌های یادگیری ماشینی - برای پیش‌بینی نحوه توزیع پرندگان استفاده می‌کنیم.»

آنها سپس می‌توانند پیش‌بینی‌های خود را با سیاست‌گذاران و طرفداران محیط زیست به اشتراک بگذارند، که می‌توانند از آن برای تصمیم‌گیری در مورد چگونگی حفاظت از زیستگاه پرندگان به بهترین شکل استفاده کنند.

برای مثال، گومز می‌گوید، بر اساس اطلاعات جمع‌آوری‌شده از طریق eBird و پردازش‌شده توسط این مشارکت، سازمان حفاظت از طبیعت (Nature Conservancy) یک ... راه‌اندازی کرده است. «حراج معکوس» در مناطق خشکسالی‌زده کالیفرنیاو به کشاورزان برنج پول می‌دهند تا در زمانی که پرندگان احتمالاً مهاجرت می‌کنند و به زیستگاه بین راهی نیاز دارند، آب را در مزارع خود نگه دارند. گومز می‌گوید: «این تنها به این دلیل ممکن است که ما مدل‌های محاسباتی پیشرفته‌ای داریم که اطلاعات دقیقی در مورد نحوه توزیع پرندگان به ما می‌دهند.»

پرندگان تنها حوزه تحقیقاتی نیستند. بخش عمده‌ای از کار این موسسه مربوط به حفاظت از حیات وحش است - به عنوان مثال، گوش دادن به ساعت‌ها صدای ضبط شده در جنگل برای نقشه‌برداری از محل صدای فیل‌ها و شلیک گلوله شکارچیان غیرقانونی، یا ردیابی خرس‌های گریزلی برای ایجاد مسیری که می‌توانند با خیال راحت در طبیعت وحشی حرکت کنند.

افزایش سرعت

در مرکز پروازهای فضایی گودارد ناسا، سیسیل روسو، دانشمند محقق، از یادگیری ماشینی برای درک بهتر توزیع فیتوپلانکتون‌ها (که به عنوان ریزجلبک نیز شناخته می‌شوند) در اقیانوس‌ها استفاده می‌کند. این گیاهان میکروسکوپی روی سطح دریاها شناور هستند و بخش زیادی از اکسیژنی را که ما تنفس می‌کنیم تولید می‌کنند. آن‌ها پایه و اساس شبکه غذایی اقیانوسی را تشکیل می‌دهند. آن‌ها همچنین دی اکسید کربن مصرف می‌کنند و وقتی می‌میرند، کربن را با خود حمل می‌کنند و به کف اقیانوس فرو می‌روند.

روسو می‌گوید: «اگر فیتوپلانکتون‌ها را نداشتیم، شاهد افزایش بیشتری در دی‌اکسید کربن نسبت به آنچه می‌بینیم، بودیم.» به همین دلیل، وضعیت کلی آنها اطلاعات ضروری برای محققانی است که سعی در درک تأثیر تغییرات در دی‌اکسید کربن اتمسفر دارند.₂ در سیاره ما.

{{youtube}eM5lX9RQzZ4{/youtube}

روسو از تصاویر ماهواره‌ای و مدل‌سازی کامپیوتری برای پیش‌بینی شرایط فعلی و آینده فیتوپلانکتون‌های اقیانوسی جهان استفاده می‌کند. در حال حاضر، این مدل تنها قادر به تخمین تعداد کل ریزجلبک‌هایی است که روی زمین زندگی می‌کنند و اینکه این تعداد چگونه در طول زمان تغییر می‌کند. اما یک ماموریت ماهواره‌ای جدید به نام PACE (برای «ابرهای پیش از آئروسل و اکوسیستم اقیانوسی»)، که در سال ۲۰۲۲ راه‌اندازی می‌شود، مجموعه داده‌های کاملاً جدیدی را ایجاد خواهد کرد که با دقت بیشتری به جمعیت نگاه می‌کند و قادر به شناسایی گونه‌های مختلف به جای صرفاً نگاه کردن به کل جمعیت خواهد بود، که این امر مدل فعلی را به طور قابل توجهی تغییر خواهد داد.

او می‌گوید: «این مدل از پارامترهایی بر اساس دما، نور و مواد مغذی برای تعیین میزان رشد استفاده می‌کند. تنها کاری که شبیه‌سازی انجام می‌دهد، تنظیم مجموع است.» اما انواع مختلفی از فیتوپلانکتون‌ها وجود دارند که همگی به روش‌های منحصر به فردی با محیط تعامل دارند. به عنوان مثال، دیاتوم‌ها بزرگ هستند، خیلی سریع به کف اقیانوس فرو می‌روند و به مواد مغذی زیادی نیاز دارند. PACE امکان شناسایی انواع فیتوپلانکتون‌ها را در بخش‌های مختلف اقیانوس فراهم می‌کند و توانایی مدل را برای کمک به ما در درک چگونگی تأثیر میکروارگانیسم‌ها بر CO2 اتمسفر افزایش می‌دهد.₂همچنین به ما این امکان را می‌دهد که کارهایی مانند پیش‌بینی شکوفایی خطرناک جلبک‌ها را انجام دهیم و به طور بالقوه راه‌هایی برای بهره‌برداری از استعدادهای گونه‌هایی که کربن را در مقادیر بیشتری مصرف می‌کنند، برای مبارزه با تغییرات اقلیمی پیدا کنیم.

EarthCube

بنیاد ملی علوم در حال استفاده از یادگیری ماشینی برای ایجاد یک مدل زنده سه‌بعدی از کل سیاره است. این مدل دیجیتالی که EarthCube نام دارد، مجموعه داده‌های ارائه شده توسط دانشمندان در رشته‌های مختلف - برای مثال، اندازه‌گیری‌های جو و هیدروسفر یا ژئوشیمی اقیانوس‌ها - را ترکیب می‌کند تا شرایط روی، بالا و زیر سطح را شبیه‌سازی کند. به دلیل حجم عظیم داده‌هایی که این مکعب در بر می‌گیرد، قادر به مدل‌سازی شرایط مختلف و پیش‌بینی نحوه واکنش سیستم‌های سیاره خواهد بود. و با این اطلاعات، دانشمندان قادر خواهند بود راه‌هایی برای جلوگیری از وقایع فاجعه‌بار پیشنهاد دهند یا به سادگی برای وقایعی که نمی‌توان از آنها اجتناب کرد (مانند سیل یا آب و هوای نامساعد) قبل از وقوع برنامه‌ریزی کنند.

EarthCube مجموعه داده‌ها را ترکیب می‌کند تا مدلی ایجاد کند که می‌تواند برای پیش‌بینی و به حداقل رساندن خسارات ناشی از رویدادهای فاجعه‌بار مورد استفاده قرار گیرد.
تصویر از جین دیلئو/سازمان زمین‌شناسی آمریکابه عنوان بخشی از پروژه EarthCube، سازمان زمین‌شناسی ایالات متحده در حال همکاری با یک پروژه چارچوب ملی علوم برای تولید ... پوسته دیجیتال، چارچوبی که درک دقیق‌تر و قوی‌تری از فرآیندهای زیرسطحی زمین، مانند تعادل آب‌های زیرزمینی و سلامت سیستم‌های آبخوان را ممکن می‌سازد. اسکای بریستول، رئیس شعبه توصیف زیست‌جغرافیایی در USGS و سرپرست تیم USGS برای پروژه پوسته دیجیتال EarthCube، می‌گوید: «ما قادر خواهیم بود محاسبات علمی را انجام دهیم که سطح آب‌های زیرزمینی را در طول زمان نشان می‌دهد و می‌توانیم آن را در مقابل سناریوهای آینده قرار دهیم.»

بریستول می‌گوید یادگیری ماشینی همچنین زمانی که دو مدل از بخش‌های مختلف مکعب (مانند پوسته و جو) مجبور به تعامل با یکدیگر هستند، وارد عمل می‌شود. برای مثال، وقتی همزمان افزایش استخراج آب‌های زیرزمینی و همچنین افزایش گرمایش زمین وجود دارد، چه اتفاقی می‌افتد؟

قرار است پروژه پوسته دیجیتال تابستان امسال تکمیل شود. پوسته دیجیتال و تمام پروژه‌های EarthCube داده‌ها و نرم‌افزارهای خود را به صورت متن‌باز ارائه می‌دهند. بنابراین، ظرف چند سال، هر کسی قادر خواهد بود با استفاده از یادگیری ماشینی، پیش‌بینی‌هایی در مورد تمام احتمالات آینده زمین انجام دهد. و این بدان معناست که دانشمندان علوم زمین، که برای درک سیستم‌های مختلف زمین و چگونگی تأثیر تغییرات درون آنها بر بشریت تلاش می‌کنند، ابزار جدیدی خواهند داشت که به آنها امکان می‌دهد داده‌ها را از سراسر جهان با یکدیگر به اشتراک بگذارند - که به پیش‌بینی‌های آنها تأثیر بیشتری می‌دهد و به انسان‌ها فرصتی می‌دهد تا به جای واکنش، در برابر دنیای در حال تغییر ما عمل کنند.

این مثال‌ها تنها بخش کوچکی از تصویر بزرگی هستند که نشان می‌دهد چگونه پایداری محاسباتی می‌تواند - و در حال تغییر - توانایی ما را در پایدارتر کردن زندگی انسان بر روی زمین تغییر دهد. تنها در دانشگاه کرنل، پروژه‌های دیگری که از این فناوری استفاده می‌کنند شامل نقشه‌برداری از مناطق فقیرنشین و اثربخشی کاهش فقر در کشورهای توسعه‌یافته، تعیین تأثیر سیاست‌های برداشت بر شیلات اقیانوسی، کشف مواد جدیدی که می‌توانند برای جذب انرژی خورشیدی استفاده شوند، تعیین تأثیر حملات کشتی‌ها بر جمعیت نهنگ‌ها و حتی روشن کردن کارایی و پیامدهای افزایش مالیات بنزین در ایالات متحده است. اگر روندهای فعلی را نشانه بگیریم، می‌توانیم انتظار داشته باشیم که در سال‌های آینده چیزهای بیشتری در مورد چگونگی کمک هوش مصنوعی به ما برای تبدیل جهان به مکانی بهتر برای زندگی در درازمدت بشنویم.

این مقاله در ابتدا در ظاهر Ensia

درباره نویسنده

ارین بیبا روزنامه‌نگار علمی آزاد ساکن نیویورک است. آثار او مرتباً در ... منتشر می‌شود. نیوزویک، ساینتیفیک امریکن و افسانه‌زداها Tested.com.

کتاب مرتبط

{amazonWS:searchindex=کتاب‌ها؛کلمات کلیدی=۱۴۳۳۸۲۲۷۷۶؛حداکثرنتایج=۱}