فناوری‌های هوشمند در مسیر هوای پاک؛ از پیش‌بینی آلودگی تا کاهش انتشار

فناوری‌های هوشمند در مسیر هوای پاک؛ از پیش‌بینی آلودگی تا کاهش انتشار

به گزارش خبرنگار خبرآنی؛ آلودگی هوا در سال‌های اخیر و همزمان با توسعه مناطق صنعتی به یکی از پیچیده‌ترین چالش‌های زیست‌محیطی کلان‌شهرهای جهان تبدیل شده است که پیامدهای آن از تهدید سلامت عمومی فراتر رفته و بر بهره‌وری اقتصادی، پایداری زیرساخت‌ها و کیفیت زندگی شهری تأثیر می‌گذارد. بر اساس برآورد سازمان بهداشت جهانی، ۹۹ درصد جمعیت جهان در معرض هوایی قرار دارند که سطح آلاینده‌های آن از مقادیر استاندارد تعیین شده توسط این سازمان فراتر می‌رود.

در چنین شرایطی، توسعه فناوری‌های نوین برای شناسایی منابع آلاینده، پیش‌بینی تغییرات کیفیت هوا و کاهش انتشار آلاینده‌ها به یکی از محورهای اصلی سیاست‌گذاری محیط‌زیستی تبدیل شده است. تجربه کشورهای پیشرو نشان می‌دهد که مقابله مؤثر با آلودگی هوا مستلزم ترکیب فناوری‌های دیجیتال، تحول در زیرساخت‌های انرژی و نوسازی سامانه‌های حمل‌ونقل است.

هوش مصنوعی و اینترنت اشیا در مدیریت هوشمند آلودگی

یکی از مهم‌ترین تحولات فناورانه در مقابله با آلودگی هوا، توسعه سامانه‌های پایش و پیش‌بینی هوشمند مبتنی بر هوش مصنوعی، اینترنت اشیا (IoT) و تحلیل کلان‌داده‌هاست. این سامانه‌ها با استفاده از شبکه حسگرهای متصل، ایستگاه‌های سنجش زمینی، تصاویر ماهواره‌ای و اطلاعات هواشناسی، امکان اندازه‌گیری مستمر غلظت آلاینده‌هایی نظیر ذرات معلق «PM2.5» و «PM10»، دی‌اکسید نیتروژن و دی‌اکسید گوگرد را فراهم می‌کنند. تلفیق داده‌های محیطی با الگوریتم‌های یادگیری ماشین و شبکه‌های عصبی عمیق نیز به شناسایی الگوهای انتشار آلاینده‌ها، پیش‌بینی دوره‌های بحرانی و تعیین مناطق نیازمند مداخله کمک می‌کند. اهمیت این فناوری‌ها در آن است که مدیریت آلودگی را از فرایندی عمدتاً واکنشی و متکی بر ثبت وضعیت موجود، به نظامی پیش‌بینی‌محور تبدیل می‌کنند که می‌تواند اقدامات کنترلی را پیش 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: سیاست‌ها، ادغام فناوری‌های الکترونیکی و پیامدهای جهانی» که در کنفرانس «ESET ۲۰۲۵» منتشر شده، نشان می‌دهد که دولت این کشور با توسعه زیرساخت‌های پایش دیجیتال، بهره‌گیری از کلان‌داده‌ها و تقویت سامانه‌های مدیریت اضطراری توانسته است ظرفیت نظارت و مداخله محیط‌زیستی را ارتقا دهد. مطابق یافته‌های پژوهش، غلظت ذرات معلق «PM۲.۵» در پکن طی سال‌های ۲۰۱۳ تا ۲۰۱۷ حدود ۳۵ درصد کاهش یافته است. البته این دستاورد حاصل مجموعه‌ای از سیاست‌های کنترل انتشار، اصلاح ساختار انرژی و اقدامات اجرایی بوده و نمی‌توان آن را صرفاً به استقرار فناوری‌های دیجیتال نسبت داد.

نمونه دیگری از پیشرفت این فناوری‌ها در پژوهشی متعلق به سال ۲۰۲۶ درباره منطقه صنعتی سیواکاسی هند ارائه شده است. در این مطالعه، داده‌های حسگرهای محیطی با تصاویر دوربین‌ها و پهپادها ترکیب شده و شبکه عصبی «VGG۱۶» برای استخراج ویژگی‌های بصری آلودگی به کار رفته است. مدل چندوجهی حاصل توانسته به دقت ۹۳٫۶۴ درصد در طبقه‌بندی وضعیت آلودگی دست یابد، در حالی که دقت مدل متکی بر داده‌های حسگری به‌تنهایی ۸۷٫۵۴ درصد گزارش شده است. به باور کارشناسان، این نتایج، ظرفیت تحلیل هم‌زمان داده‌های تصویری و محیطی را برای ارتقای سامانه‌های هشدار نشان می‌دهد.

پژوهش منتشر شده دیگری در سال ۲۰۲۶ در نشریه «npj Clean Air»نیز از توسعه مدل پیشرفته «TransNet» برای پیش‌بینی غلظت «PM2.5» در کره جنوبی، خبر می‌دهد. این مدل بر پایه شبکه‌های عصبی گرافی (GNN) طراحی شده و با ترکیب یادگیری ماشین و قوانین فیزیکی حاکم بر انتقال آلاینده‌ها، امکان پیش‌بینی تغییرات آلودگی تا ۷۲ ساعت آینده را فراهم می‌کند. برخلاف مدل‌های متعارف که عمدتاً بر روابط آماری میان داده‌های گذشته متکی هستند، «TransNet» فرایندهای انتقال آلاینده توسط باد، انتشار و واکنش‌های مرتبط با تغییر غلظت ذرات را در ساختار محاسباتی خود لحاظ می‌کند. پژوهشگران این مدل را با استفاده از داده‌های ۱۷۰ ایستگاه سنجش کیفیت هوا در سراسر کره جنوبی ارزیابی کرده‌اند. نتایج نشان می‌دهد که میانگین خطای مطلق مدل در پیش‌بینی یک ساعت آینده ۲٫۶۰ میکروگرم بر مترمکعب بوده، در حالی که این شاخص برای مدل مقایسه‌ای «AGATNet» برابر با ۴٫۲۷ میکروگرم بر مترمکعب گزارش شده است. مدل «TransNet» در افق‌های پیش‌بینی یک تا ۴۸ ساعت عملکرد بهتری داشته، هرچند مدل رقیب در پیش‌بینی‌های بلندمدت‌تر و تشخیص برخی رخدادهای شدید آلودگی موفق‌تر بوده است. این دستاورد ظرفیت استفاده از هوش مصنوعی مبتنی بر قوانین فیزیکی را برای توسعه سامانه‌های پیش‌بینی دقیق‌تر و کم‌هزینه‌تر برجسته می‌سازد.

در کشور سنگاپور، دانشگاه فناوری نانیانگ (NTU) از طریق مرکز تغییرات اقلیمی و سلامت محیط‌زیست (CCEH)، توسعه مدل‌های هوش مصنوعی برای پیش‌بینی کیفیت هوا و ارزیابی مخاطرات زیست‌محیطی را در دستور کار پژوهشی خود قرار داده است. این مرکز با تلفیق داده‌های ماهواره‌ای، اندازه‌گیری‌های زمینی و خروجی مدل‌های محیطی، به دنبال تولید اطلاعات دقیق با تفکیک مکانی بالا درباره وضعیت آلودگی و میزان مواجهه جمعیت با آلاینده‌ها است. از ویژگی‌های این رویکرد، بهره‌گیری از هوش مصنوعی تبیین‌پذیر و مدل‌های مبتنی بر قوانین فیزیکی برای شناسایی عوامل مؤثر بر تغییرات کیفیت هوا و بررسی ارتباط آن با سلامت عمومی است. به اعتقاد کارشناسان، چنین فناوری‌هایی می‌توانند به توسعه سامانه‌های هشدار زودهنگام و تصمیم‌یار کمک کنند که علاوه بر پیش‌بینی آلودگی، میزان عدم قطعیت پیش‌بینی‌ها را نیز ارزیابی می‌کنند.

علاوه بر موارد ذکر شده، توسعه سامانه بومی «AI_r» در آفریقای جنوبی، نمونه دیگری از کاربرد هم‌زمان هوش مصنوعی و اینترنت اشیا در پایش آلودگی هوا محسوب می‌شود. این فناوری که با مشارکت کنسرسیوم پایش کیفیت هوای آفریقای جنوبی (SACAQM) و دانشگاه ویتواترزرند توسعه یافته، حسگرهای محیطی کم‌هزینه، ارتباطات اینترنت اشیا و تحلیل هوشمند بلادرنگ را در یک سامانه یکپارچه ترکیب می‌کند. بر همین اساس، تجهیزات «AI_r» قادر به اندازه‌گیری مستمر ذرات معلق «PM1» و «PM2.5» و «PM4» و «PM10»، ترکیبات آلی فرار، اکسیدهای نیتروژن، دی‌اکسید کربن و متغیرهای هواشناسی هستند. اطلاعات گردآوری‌شده نیز از طریق داشبورد آنلاین مبتنی بر هوش مصنوعی در دسترس عموم قرار می‌گیرد. دانشگاه ویتواترزرند در می سال ۲۰۲۶ از آغاز برنامه‌ای دوساله برای گسترش استقرار این حسگرها با مشارکت نهادهای عمومی، سازمان‌های غیردولتی و بخش خصوصی خبر داده است. در این برنامه، حسگرها به‌صورت رایگان در اختیار سازمان‌های منتخب قرار می‌گیرند تا پوشش شبکه پایش افزایش یابد. همچنین قرار است داده‌های این شبکه با مشاهدات ماهواره‌ای و مدل‌سازی پیشرفته جو ترکیب شوند تا ظرفیت پیش‌بینی کیفیت هوا و ارزیابی مخاطرات تقویت شود.

مجموع این تجربیات جهانی مبین آن است که مسیر توسعه فناوری‌های هوشمند مدیریت آلودگی هوا بر سه محور اصلی افزایش دقت پیش‌بینی با استفاده از مدل‌های یادگیری عمیق و شبکه‌های عصبی، تلفیق داده‌های محیطی و ماهواره‌ای برای شناسایی الگوهای مکانی و زمانی آلودگی و گسترش شبکه‌های پایش کم‌هزینه مبتنی بر اینترنت اشیا استوار شده است. با این حال، باید میان افزایش توانایی شناسایی و پیش‌بینی آلودگی با کاهش واقعی انتشار آلاینده‌ها تمایز قائل شد. هوش مصنوعی به‌تنهایی موجب کاهش انتشار نمی‌شود و اثربخشی نهایی آن به اتصال داده‌های معتبر و پیش‌بینی‌های قابل اتکا به تصمیمات اجرایی، کنترل منابع آلاینده و ارزیابی مستمر نتایج مداخلات وابسته است. از این منظر، توسعه زیرساخت‌های هوشمند می‌تواند زمینه گذار از مدیریت واکنشی بحران‌های آلودگی به حکمرانی پیشگیرانه و داده‌محور کیفیت هوا را فراهم کند.

انرژی‌های تجدیدپذیر و کاهش آلاینده‌های ناشی از سوخت‌های فسیلی

در کنار فناوری‌های پایش، جایگزینی منابع انرژی آلاینده با فناوری‌های تولید برق پاک از مؤثرترین راهکارهای کاهش انتشار در مبدأ محسوب می‌شود. نیروگاه‌های خورشیدی و بادی هنگام تولید برق به فرایند احتراق متکی نیستند و از این طریق می‌توانند انتشار آلاینده‌های ناشی از سوخت‌های فسیلی را کاهش دهند. گزارش شرکت «Clarity» درباره مزایای انرژی‌های تجدیدپذیر برای کیفیت هوا و اقلیم تأکید می‌کند که گسترش این منابع علاوه بر کاهش انتشار گازهای گلخانه‌ای، ظرفیت کاهش هزینه‌های سلامت و وابستگی به سوخت‌های آلاینده را نیز دارد. با این حال، ارزیابی آثار زیست‌محیطی این فناوری‌ها باید انتشار ناشی از ساخت تجهیزات و چرخه عمر آن‌ها را نیز در نظر بگیرد.

یکی از ملاحظات اساسی در این حوزه، تفاوت میان فناوری‌های تجدیدپذیر است. برای نمونه، تولید برق از زیست‌توده از طریق احتراق می‌تواند همچنان موجب انتشار ذرات معلق و ترکیبات زیان‌آور شود. بنابراین، توسعه انرژی پاک باید بر اساس میزان واقعی کاهش انتشار آلاینده‌ها و نه صرفاً عنوان تجدیدپذیر بودن فناوری ارزیابی شود. این تمایز برای طراحی سیاست‌های انرژی در شهرهایی که با آلودگی ناشی از نیروگاه‌ها و صنایع مواجه هستند اهمیت ویژه‌ای دارد.

برقی‌سازی حمل‌ونقل و توسعه شبکه‌های هوشمند انرژی

تحول در فناوری خودروهای برقی یکی دیگر از محورهای کاهش آلودگی شهری است. حذف انتشار آلاینده‌ها از اگزوز خودروهای تمام‌برقی می‌تواند به کاهش اکسیدهای نیتروژن و ذرات ناشی از احتراق در معابر پرتردد کمک کند. گزارش وبگاه «IPlanet» درباره آثار زیست‌محیطی خودروهای برقی، بازده موتور الکتریکی را حدود ۹۰ درصد اعلام کرده و به نقش ترمز احیاکننده در بازیابی انرژی و کاهش فرسایش تجهیزات ترمز اشاره می‌کند. البته خودروهای برقی همچنان می‌توانند از طریق سایش لاستیک و جاده ذرات معلق تولید کنند و میزان منفعت زیست‌محیطی آن‌ها به ترکیب منابع تولید برق نیز وابسته است.

پیشرفت مهم‌تر، اتصال خودروهای برقی به شبکه‌های هوشمند برق است. فناوری انتقال انرژی از خودرو به شبکه (Vehicle-to-Grid) امکان استفاده از ظرفیت ذخیره‌سازی باتری خودروها برای مدیریت نوسانات تقاضای برق را فراهم می‌کند. همچنین توسعه ایستگاه‌های شارژ مجهز به پنل خورشیدی و سامانه‌های ذخیره‌سازی محلی می‌تواند وابستگی شارژ خودروها به تولید برق فسیلی را کاهش دهد. در این الگو، حمل‌ونقل برقی بخشی از یک سامانه یکپارچه مدیریت انرژی خواهد بود.

حکمرانی داده‌محور و مدیریت مواجهه شهروندان

علاوه بر موارد ذکر شده، کاربرد فناوری در مدیریت آلودگی به کاهش انتشار محدود نمی‌شود. توسعه نقشه‌های مکانی مواجهه جمعیت، سامانه‌های هشدار اختصاصی و خدمات عمومی مبتنی بر داده می‌تواند آثار بهداشتی دوره‌های بحرانی را کاهش دهد. در این زمینه، تجربه سامانه دیجیتال «Check air quality» بریتانیا نشان می‌دهد که اطلاعات کیفیت هوا را می‌توان بر اساس موقعیت مکانی شهروندان در اختیار آن‌ها قرار داد و هشدارهای مرتبط با افزایش آلودگی را از طریق پیامک یا ایمیل ارسال کرد. چنین خدماتی زمینه تصمیم‌گیری آگاهانه‌تر درباره فعالیت‌های روزمره و کاهش مواجهه غیرضروری با آلاینده‌ها را فراهم می‌کنند.

جمع‌بندی

در نهایت، بررسی تحولات فناورانه و تجربه کشورهای مختلف نشان می‌دهد که مقابله مؤثر با آلودگی هوا بیش از آن که به توسعه یک فناوری مستقل وابسته باشد، مستلزم ایجاد پیوندی منسجم میان سامانه‌های پایش هوشمند، فناوری‌های کاهش انتشار و زیرساخت‌های مدیریت انرژی و حمل‌ونقل است. تجربه چین در تلفیق فناوری‌های دیجیتال با سیاست‌های کنترل آلودگی، پیشرفت کره جنوبی در توسعه مدل‌های پیش‌بینی مبتنی بر یادگیری عمیق، پژوهش‌های سنگاپور در زمینه هشدار زودهنگام و گسترش شبکه‌های حسگری کم‌هزینه در آفریقای جنوبی نشان می‌دهد که هوش مصنوعی و اینترنت اشیا ظرفیت قابل توجهی برای ارتقای دقت پایش، پیش‌بینی شرایط بحرانی و پشتیبانی از تصمیم‌گیری محیط‌زیستی دارند. در کنار این تحولات، توسعه انرژی‌های تجدیدپذیر، برقی‌سازی حمل‌ونقل و یکپارچه‌سازی سامانه‌های هوشمند انرژی می‌تواند زمینه کاهش انتشار آلاینده‌ها در مبدأ را فراهم کند.

با این حال، اثربخشی این فناوری‌ها به میزان ادغام آن‌ها در سیاست‌های اجرایی و زیرساخت‌های شهری وابسته است. سامانه‌های هوشمند به‌تنهایی آلودگی را کاهش نمی‌دهند و فناوری‌های پاک نیز بدون توجه به ترکیب منابع انرژی، الزامات زیرساختی و ویژگی‌های محلی لزوماً به نتایج مطلوب منجر نخواهند شد. از این منظر، راهبرد مؤثر برای کلان‌شهرهایی مانند تهران، حرکت به سمت یک نظام یکپارچه مدیریت کیفیت هوا است که در آن داده‌های محیطی و پیش‌بینی‌های هوشمند مستقیماً به شناسایی منابع آلاینده، اولویت‌بندی مداخلات، مدیریت مصرف انرژی و ارزیابی مستمر نتایج متصل شوند. در نهایت، معیار موفقیت نوآوری‌های فناورانه در این حوزه نه گستردگی تجهیزات و سامانه‌های دیجیتال، بلکه توانایی آن‌ها در کاهش قابل اندازه‌گیری انتشار آلاینده‌ها، بهبود پایدار کیفیت هوا و کاهش مواجهه جمعیت با مخاطرات ناشی از آلودگی خواهد بود.

منبع : مهر

آخرین خبر ها

پربیننده ترین ها

دوستان ما

گزارش تخلف

همه خبرهای سایت از منابع معتبر تهیه و منتشر می‌شود. در صورت وجود هرگونه مشکل از طریق صفحه گزارش تخلف اطلاع دهید.