ارزیابی رویکرد ترکیبی هوش مصنوعی و تفکر سیستمی برای مدل‌سازی تغییرات اقلیمی

نویسنده: فاطمه جعفری نوبخت

1. مقدمه

تغییرات اقلیمی به عنوان یک سیستم پیچیده، با مجموعه‌ای از متغیرهای به‌هم‌پیوسته و دینامیک‌های غیرخطی، چالش‌های منحصربه‌فردی را برای مدل‌سازی و پیش‌بینی ایجاد می‌کند. این پیچیدگی نیازمند ابزارهای تحلیلی فراتر از روش‌های خطی سنتی است. در این راستا، یکپارچه‌سازی دو رویکرد قدرتمند، یعنی هوش مصنوعی (AI) برای پیش‌بینی‌های دقیق مبتنی بر داده و تفکر سیستمی (ST) برای درک روابط متقابل و حلقه‌های بازخورد، یک راهکار راهبردی برای سیاست‌گذاران و متخصصان محیط زیست محسوب می‌شود. ترکیب این دو روش به ما امکان می‌دهد تا نه تنها روندهای آینده را با دقت بیشتری پیش‌بینی کنیم، بلکه تأثیر سناریوها و سیاست‌های مختلف اقلیمی را نیز به صورت جامع‌تری ارزیابی نماییم.

هدف این گزارش، ارزیابی یکپارچه‌سازی هوش مصنوعی و تفکر سیستمی به منظور ارائه یک چارچوب جامع برای پیش‌بینی و کاهش اثرات تغییرات اقلیمی است. در این گزارش، ابتدا هر یک از این رویکردها به صورت مجزا بررسی شده، نقاط قوت و ضعف آن‌ها تشریح می‌گردد و سپس، یک مدل ترکیبی برای غلبه بر محدودیت‌ها و دستیابی به درکی عمیق‌تر از سیستم اقلیمی پیشنهاد می‌شود.

در بخش بعدی، به بررسی دقیق‌تر نقش هوش مصنوعی به عنوان ابزاری کلیدی برای پیش‌بینی در مدل‌سازی اقلیمی می‌پردازیم.

2. هوش مصنوعی (AI) به عنوان ابزار پیش‌بینی در مدل‌سازی اقلیمی

نقش هوش مصنوعی و یادگیری ماشین (ML) در مدل‌سازی مدرن اقلیمی به طور فزاینده‌ای حیاتی شده است. این فناوری‌ها به عنوان ابزارهای ارزشمندی برای تحلیل حجم عظیمی از داده‌های اقلیمی و پیش‌بینی پدیده‌های پیچیده آب و هوایی ظهور کرده‌اند. استفاده از مدل‌های مبتنی بر داده به متخصصان این امکان را می‌دهد که الگوهای پنهان در داده‌های تاریخی را شناسایی کرده و پیش‌بینی‌های دقیق‌تری از شاخص‌های کلیدی مانند دما، بارش و انتشار دی‌اکسید کربن ارائه دهند که این امر برای تصمیم‌گیری‌های آگاهانه در حوزه اقلیم، اهمیت راهبردی دارد.

بر اساس تعاریف فنی، هوش مصنوعی را می‌توان به عنوان یک برنامه محاسباتی توصیف کرد که خط‌مشی بهینه یک عامل را در سناریوهای مختلف، با فرض عدم وجود خطاهای حیاتی در آن سناریوها، تقریب می‌زند. در میان ابزارهای متنوع هوش مصنوعی، شبکه‌های عصبی مصنوعی (ANN) به دلیل الهام گرفتن از ساختار و عملکرد مغز انسان، یکی از پرکاربردترین مدل‌ها به شمار می‌روند. ساختار کلیدی یک شبکه عصبی مصنوعی شامل اجزای زیر است:

• نورون‌ها و لایه‌ها:شبکه‌ها از گره‌های به‌هم‌پیوسته به نام نورون تشکیل شده‌اند که در لایه‌های مختلف سازماندهی می‌شوند. این لایه‌ها شامل لایه ورودی (دریافت‌کننده داده‌ها)، لایه‌های پنهان (انجام محاسبات میانی) و لایه خروجی (تولیدکننده نتایج نهایی) است.
• وزن‌ها و بایاس‌ها:هر نورون دارای وزن‌ها و بایاس‌های مرتبطی است که در طول فرآیند آموزش شبکه تنظیم می‌شوند تا عملکرد آن بهینه گردد. این پارامترها قدرت ارتباط بین نورون‌ها را تعیین می‌کنند.
• توابع فعال‌سازی:این توابع، غیرخطی بودن را به شبکه اضافه می‌کنند و به آن اجازه می‌دهند تا روابط پیچیده میان ورودی‌ها و خروجی‌ها را ثبت کند، قابلیتی که در مدل‌های خطی سنتی وجود ندارد.

شبکه‌های عصبی پرسپترون چندلایه (Multilayer Perceptron)، به عنوان یکی از رایج‌ترین انواع شبکه‌های عصبی، دارای مزایا و معایب مشخصی هستند که در جدول زیر خلاصه شده است.

مزایا	معایب
توانایی درک روابط پیچیده میان ورودی‌ها و خروجی‌ها	حساسیت به بیش‌برازش (Overfitting): این یعنی مدل به جای یادگیری الگوهای کلی، داده‌های آموزشی را حفظ می‌کند. برای سیاست‌گذاران، این خطر وجود دارد که مدل بر اساس شرایط گذشته عملکرد عالی داشته باشد اما در پیش‌بینی بحران‌های جدید و بی‌سابقه اقلیمی شکست بخورد.
گزینه‌های یادگیری متنوع (تحت نظارت یا بدون نظارت)	نیاز به توان محاسباتی بالا: این امر مستلزم سرمایه‌گذاری‌های قابل توجه در زیرساخت‌های پردازشی است که ممکن است برای سازمان‌های دولتی با بودجه محدود یک مانع باشد.
مناسب برای هر دو نوع مسائل طبقه‌بندی و رگرسیون	نیاز به حجم قابل توجهی از داده‌های آموزشی: این موضوع ریسک تصمیم‌گیری‌های نادرست در مناطقی که داده‌های اقلیمی کمیاب یا بی‌کیفیت هستند را افزایش می‌دهد و می‌تواند منجر به تخصیص نامناسب منابع برای اقدامات اقلیمی شود.
پیاده‌سازی نسبتاً ساده با الگوریتم‌های بهینه‌سازی مختلف	حساسیت به هایپرپارامترها: انتخاب نادرست پارامترهایی مانند تعداد لایه‌ها یا نورون‌ها می‌تواند منجر به تولید مدل‌های ناکارآمد یا گمراه‌کننده شود و اعتبار پیش‌بینی‌های مورد استفاده برای سیاست‌گذاری را تضعیف کند.

این مزایا و معایب پیامدهای مهمی برای سیاست‌گذاران و متخصصان اقلیمی دارد. برای مثال، «نیاز به داده‌های آموزشی زیاد» می‌تواند یک چالش جدی در مناطقی باشد که داده‌های اقلیمی کافی و باکیفیت در دسترس نیست و این امر منجر به عدم قطعیت در سرمایه‌گذاری‌های زیرساختی و برنامه‌ریزی‌های مربوط به سازگاری اقلیمی می‌شود. همچنین، «نیاز محاسباتی بالا» مستلزم سرمایه‌گذاری در زیرساخت‌های قدرتمند است و «حساسیت به بیش‌برازش» بر لزوم اعتبارسنجی دقیق مدل‌ها برای اطمینان از قابلیت تعمیم آن‌ها به سناریوهای آینده تأکید می‌کند.

در حالی که هوش مصنوعی در پیش‌بینی مبتنی بر داده بسیار قدرتمند است، ماهیت «جعبه سیاه» آن مانع از درک چراییِ روابط علی و حلقه‌های بازخورد می‌شود. این شکاف تحلیلی، که برای سیاست‌گذاری مؤثر حیاتی است، نیازمند رویکردی مکمل است که در بخش بعدی به آن، یعنی تفکر سیستمی، پرداخته می‌شود.

3. تفکر سیستمی (ST): رویکردی کل‌نگر برای درک پیچیدگی اقلیم

تفکر سیستمی یک رویکرد ضروری برای درک چالش‌های چندوجهی مانند تغییرات اقلیمی است، زیرا این پدیده از تعاملات پیچیده میان اجزای مختلف اجتماعی، اقتصادی و زیست‌محیطی ناشی می‌شود. تفاوت راهبردی این رویکرد با روش‌های سنتی حل مسئله، که معمولاً مسائل را به اجزای کوچک‌تر تجزیه می‌کنند، در تمرکز آن بر تعاملات و روابط متقابل میان این اجزا به عنوان یک کل واحد است. تفکر سیستمی به جای تحلیل اجزا به صورت مجزا، به ما کمک می‌کند تا الگوهای رفتاری کل سیستم را شناسایی و درک کنیم.

دو اصل کلیدی که زیربنای تفکر سیستمی را تشکیل می‌دهند، تفکر کل‌نگر و غیرخطی بودن هستند که در ادامه تشریح می‌شوند:

تفکر کل‌نگر (Holistic Thinking)

این اصل بر درک سیستم به عنوان یک واحد یکپارچه و به‌هم‌پیوسته تأکید دارد و شامل مفاهیم زیر است:

• ارتباط متقابل (Interconnectedness):این ایده که همه چیز به یکدیگر مرتبط است و کل سیستم چیزی فراتر از مجموع اجزای آن است.
• تمامیت (Wholeness):مشاهده کل سیستم به صورت یکپارچه و درک وابستگی متقابل میان بخش‌های مختلف آن.
• زمینه (Context):در نظر گرفتن زمینه‌ای که سیستم در آن عمل می‌کند، زیرا رفتار سیستم به شدت تحت تأثیر محیط پیرامون آن است.
• پیچیدگی (Complexity):پذیرش پیچیدگی ذاتی سیستم‌ها و تلاش برای درک روابط چندگانه میان اجزای آن.
• پیدایش (Emergence):ظهور ویژگی‌ها و رفتارهای جدید از تعاملات میان اجزای سیستم که در خود اجزا به تنهایی وجود ندارد.
• حلقه‌های بازخورد (Feedback loops):شناسایی و درک نقش حیاتی حلقه‌های بازخورد (تقویت‌کننده یا تعدیل‌کننده) در شکل‌دهی به رفتار کلی سیستم.
• پایداری (Sustainability):در نظر گرفتن پایداری بلندمدت یک سیستم و پیامدهای زیست‌محیطی و اجتماعی آن.

غیرخطی بودن (Non-linearity)

این اصل به این واقعیت اشاره دارد که در سیستم‌های پیچیده، ورودی و خروجی رابطه متناسبی با یکدیگر ندارند. ویژگی‌های اصلی آن عبارتند از:

• تأثیر قابل توجه تغییرات کوچک:تغییرات جزئی در یک بخش از سیستم می‌تواند تأثیرات عمیق، گسترده و غیرمنتظره‌ای بر کل سیستم داشته باشد.
• پیدایش (Emergence):سیستم‌های غیرخطی می‌توانند ویژگی‌های نوظهوری را به نمایش بگذارند که از تعاملات اجزا ناشی می‌شود و از طریق تحلیل اجزا به تنهایی قابل پیش‌بینی نیست.
• انشعاب (Bifurcation):سیستم‌های غیرخطی ممکن است دچار انشعاب شوند، یعنی تغییرات کوچک در پارامترها منجر به تغییرات ناگهانی و کیفی در رفتار سیستم گردد.
• خودسازماندهی (Self-organization):سیستم‌های غیرخطی می‌توانند به صورت خودجوش و بدون مداخله خارجی، خود را سازماندهی کنند.
• روابط غیرمتناسب (Non-proportional Relationships):در این سیستم‌ها، رابطه بین ورودی و خروجی متناسب نیست و نمی‌توان رفتار سیستم را با تنظیم ساده ورودی‌ها، مقیاس‌بندی کرد.
• حلقه‌های بازخورد (Feedback Loops):این حلقه‌ها می‌توانند باعث ایجاد رفتارهای غیرقابل پیش‌بینی، ناپایدار و نوسانی در سیستم شوند.
• حساسیت به شرایط اولیه (Sensitivity to Initial Conditions):تغییرات جزئی در شرایط اولیه یک سیستم غیرخطی می‌تواند منجر به نتایج کاملاً متفاوت در بلندمدت شود.

کاربرد تفکر سیستمی در مدل‌سازی اقلیمی به متخصصان امکان می‌دهد تا تأثیرات متقابل میان بخش‌های مختلف مانند کشاورزی، تنوع زیستی و منابع آب را تحلیل کنند. برای مثال، استفاده از نمودار علت و معلولی (Causal Loop Diagram – CLD) ابزاری مؤثر برای درک تأثیرات پیچیده تغییرات اقلیمی بر تولیدات دامی و شناسایی نقاط اهرمی برای مداخلات مؤثر است. این رویکرد به جای ارائه راه‌حل‌های جزئی، به تدوین استراتژی‌های جامع برای سازگاری و کاهش اثرات تغییرات اقلیمی کمک می‌کند.

با این حال، استفاده از این روش‌ها به صورت مجزا با چالش‌هایی همراه است که در بخش بعدی به لزوم یکپارچه‌سازی آن‌ها برای دستیابی به یک چارچوب قدرتمندتر می‌پردازیم.

4.  هم‌افزایی هوش مصنوعی و تفکر سیستمی

با وجود قدرت هر یک از روش‌های هوش مصنوعی و تفکر سیستمی به تنهایی، چالش‌های ذاتی آن‌ها استفاده از یک رویکرد ترکیبی را ضروری می‌سازد. هوش مصنوعی در پیش‌بینی مبتنی بر داده‌های حجیم قدرتمند است اما اغلب فاقد شفافیت و توانایی تحلیل روابط سیستمی است. از سوی دیگر، تفکر سیستمی در درک روابط علی و معلولی و تحلیل سناریوهای سیاستی توانمند است اما به دقت پیش‌بینی مدل‌های داده‌محور دست نمی‌یابد. اهمیت راهبردی یکپارچه‌سازی این دو رویکرد در غلبه بر این محدودیت‌ها و دستیابی به یک مدل پیش‌بینی قوی‌تر، شفاف‌تر و کامل‌تر برای مقابله با تغییرات اقلیمی نهفته است.

1.4. چالش‌های مدل‌سازی اقلیمی با هوش مصنوعی و راهکار یادگیری انتقالی

استفاده از هوش مصنوعی در مدل‌سازی تغییرات اقلیمی با چالش‌های متعددی روبروست که برای اطمینان از دقت و قابلیت اعتماد مدل‌ها باید برطرف شوند. چالش‌های اصلی عبارتند از:

1. مشکلات مربوط به توضیح‌پذیری (Explainability):بسیاری از مدل‌های هوش مصنوعی مانند «جعبه سیاه» عمل می‌کنند. برای یک سیاست‌گذار، این بدان معناست که مدل ممکن است خشکسالی شدیدی را پیش‌بینی کند، اما نمی‌تواند توضیح دهد که کدام ترکیب از سیاست‌های صنعتی، کاربری اراضی یا انتشار گازها عامل اصلی آن است. بدون این «چرا»، تدوین سیاست‌های هدفمند و مؤثر تقریباً غیرممکن است.
2. محدودیت‌های AutoML:تکنیک‌های یادگیری ماشین خودکار (AutoML) که عمدتاً برای بینایی کامپیوتر و پردازش زبان طبیعی طراحی شده‌اند، ممکن است برای داده‌های زمانی-مکانی که در مدل‌سازی اقلیم رایج است، مناسب نباشند. این امر می‌تواند منجر به انتخاب مدل‌های نامناسب و در نتیجه پیش‌بینی‌های غیرقابل اعتماد برای برنامه‌ریزی‌های بلندمدت شود.
3. ماهیت پیچیده میان‌رشته‌ای:تغییرات اقلیمی یک پدیده میان‌رشته‌ای است و توسعه مدل‌های هوش مصنوعی که بتوانند دینامیک پیچیده سیستم را به درستی ثبت کنند، نیازمند همکاری نزدیک میان متخصصان حوزه‌های مختلف است. بدون این همکاری، مدل‌ها ممکن است متغیرهای اجتماعی-اقتصادی حیاتی را نادیده بگیرند و پیش‌بینی‌هایی ارائه دهند که از نظر فنی دقیق اما در عمل ناکارآمد باشند.
4. کمبود و کیفیت داده‌ها:ساخت مدل‌های دقیق هوش مصنوعی نیازمند داده‌های کامل و باکیفیت است. برای سیاست‌گذاران، تکیه بر مدل‌های آموزش‌دیده با داده‌های ناکافی، به ویژه در کشورهای در حال توسعه، ریسک سرمایه‌گذاری‌های نادرست در پروژه‌های زیرساختی و تخصیص اشتباه منابع محدود برای سازگاری با تغییرات اقلیمی را به همراه دارد.
5. منسوخ شدن داده‌ها (Data Obsolescence):مدل‌های هوش مصنوعی پس از آموزش ممکن است با اطلاعات قدیمی کار کنند و کارایی خود را از دست بدهند. این موضوع در سیاست‌گذاری اقلیمی که نیازمند واکنش سریع به تغییرات جدید است، می‌تواند منجر به تصمیم‌گیری بر اساس فرضیات منسوخ شده و کاهش اثربخشی اقدامات پیشگیرانه شود.

یادگیری انتقالی (Transfer Learning) به عنوان یک راهکار امیدوارکننده برای غلبه بر چالش «کمبود داده» مطرح شده است. این روش به مدل‌های هوش مصنوعی امکان می‌دهد تا دانش کسب‌شده در یک حوزه (مانند یک منطقه جغرافیایی با داده‌های فراوان) را به حوزه‌ای دیگر (منطقه‌ای با داده‌های کم) منتقل کنند. به این ترتیب، می‌توان با استفاده از یک مدل از پیش آموزش‌دیده، عملکرد پیش‌بینی را در مناطقی که داده‌های محدودی دارند، به طور قابل توجهی بهبود بخشید.

2.4. مدل پیشنهادی ترکیبی برای پیش‌بینی جامع

ترکیب هوش مصنوعی و تفکر سیستمی می‌تواند به طور مؤثری محدودیت‌های هر یک را پوشش دهد. هوش مصنوعی دقت پیش‌بینی مبتنی بر داده را فراهم می‌کند، در حالی که تفکر سیستمی چارچوبی برای درک روابط متقابل، تحلیل سیاست‌ها و افزودن شفافیت به مدل ارائه می‌دهد.

مدل ترکیبی پیشنهادی، یک فرآیند چرخه‌ای و مکمل را دنبال می‌کند که مراحل آن به شرح زیر است:

1. پیش‌بینی اولیه توسط هوش مصنوعی:در گام نخست، مدل هوش مصنوعی با استفاده از داده‌های اقلیمی موجود، یک پیش‌بینی اولیه از پارامترهای کلیدی مانند میزان بارش یا دما را ارائه می‌دهد.
2. ورودی برای تفکر سیستمی:خروجی مدل هوش مصنوعی (پیش‌بینی اولیه) به عنوان ورودی برای مدل تفکر سیستمی استفاده می‌شود.
3. تحلیل سناریو و سیاست‌گذاری:در این مرحله، ابزارهای تفکر سیستمی مانند دینامیک سیستم، جنبه‌های دیگر مرتبط با تغییرات اقلیمی (مانند تأثیرات اجتماعی-اقتصادی) و سناریوهای مختلف ناشی از سیاست‌های گوناگون (مثلاً سیاست‌های کاهش انتشار گازهای گلخانه‌ای) را بررسی کرده و پیش‌بینی را دقیق‌تر و کامل‌تر می‌سازد.
4. چرخه بازخورد:پیش‌بینی بهبودیافته که حاصل تحلیل‌های تفکر سیستمی است، می‌تواند به عنوان ورودی جدید برای مدل هوش مصنوعی تعریف شود. این چرخه بازخورد ادامه می‌یابد تا مدل به یک نتیجه قابل قبول و جامع دست یابد.

این هم‌افزایی به مدل اجازه می‌دهد تا از پیش‌بینی‌های عددی فراتر رفته و به تحلیل‌های کیفی بپردازد. مدل هوش مصنوعی به این پرسش پاسخ می‌دهد که «چه اتفاقی محتمل است؟»، در حالی که مدل تفکر سیستمی به پرسش حیاتی‌تر برای سیاست‌گذاران پاسخ می‌دهد: «چرا این اتفاق می‌افتد و کدام اهرم‌های سیاستی می‌توانند این نتیجه را تغییر دهند؟»

مزیت اصلی این رویکرد مکمل، ترکیب دقت مبتنی بر داده هوش مصنوعی با توانایی تحلیل جامع و سیاست‌محور تفکر سیستمی است. این چارچوب یکپارچه نه تنها پیش‌بینی‌های دقیق‌تری ارائه می‌دهد، بلکه به سیاست‌گذاران کمک می‌کند تا پیامدهای اقدامات مختلف را در یک بستر سیستمی درک کنند.

در بخش پایانی، به جمع‌بندی نهایی و تشریح پیامدهای راهبردی این رویکرد برای مدیریت تغییرات اقلیمی خواهیم پرداخت.

5. نتیجه‌گیری و پیامدهای راهبردی

این گزارش نشان داد که چالش‌های پیچیده ناشی از تغییرات اقلیمی نیازمند رویکردهای مدل‌سازی فراتر از روش‌های سنتی است. یافته‌های کلیدی این ارزیابی را می‌توان در چند نکته اصلی خلاصه کرد:

• هوش مصنوعی به عنوان یک ابزار قدرتمند برای پیش‌بینی‌های داده‌محور در حوزه اقلیم عمل می‌کند، اما با چالش‌هایی مانند کمبود داده و عدم شفافیت مواجه است.
• تفکر سیستمی یک چارچوب کل‌نگر برای درک روابط متقابل و حلقه‌های بازخورد در سیستم اقلیمی فراهم می‌کند، اما به تنهایی فاقد دقت پیش‌بینی مدل‌های کمی است.
• رویکرد ترکیبی و یکپارچه‌سازی هوش مصنوعی و تفکر سیستمی، با بهره‌گیری از نقاط قوت هر دو روش، محدودیت‌های آن‌ها را پوشش می‌دهد و به مدلی جامع‌تر و دقیق‌تر منجر می‌شود. این رویکرد مکمل نسبت به استفاده مجزای هر یک از این روش‌ها برتری قابل توجهی دارد.

پیامدهای راهبردی این چارچوب یکپارچه برای متخصصان محیط زیست و سیاست‌گذاران بسیار حائز اهمیت است. این رویکرد به آن‌ها امکان می‌دهد تا:

1. تصمیم‌گیری‌های آگاهانه‌تر:با ترکیب پیش‌بینی‌های دقیق و تحلیل‌های سیستمی، تصمیم‌گیرندگان می‌توانند پیامدهای بلندمدت سیاست‌های مختلف اقلیمی را با اطمینان بیشتری ارزیابی کنند.
2. تدوین سیاست‌های مؤثرتر:درک روابط علی و معلولی و شناسایی نقاط اهرمی در سیستم اقلیمی به تدوین سیاست‌هایی منجر می‌شود که به جای تمرکز بر راه‌حل‌های جزئی، به ریشه مشکلات می‌پردازند و اثربخشی بیشتری دارند.
3. افزایش تاب‌آوری:این مدل ترکیبی به شناسایی آسیب‌پذیری‌های سیستم در برابر سناریوهای مختلف اقلیمی کمک کرده و راه را برای توسعه استراتژی‌های سازگاری و افزایش تاب‌آوری جوامع و اکوسیستم‌ها هموار می‌سازد.

در نهایت، چارچوب پیشنهادی پتانسیل ایجاد درک عمیق‌تر و جامع‌تر از آینده تغییرات اقلیمی و تأثیر اقدامات انسانی را دارد. این رویکرد نه تنها یک ابزار تحلیلی پیشرفته است، بلکه یک راهنمای عملی برای هدایت اقدامات اقلیمی به سوی آینده‌ای پایدارتر و ایمن‌تر محسوب می‌شود.

درباره نویسنده:

فاطمه جعفری نوبخت، متخصص برجسته و پژوهشگر حوزه مهندسی محیط زیست، با رویکردی نوین دانش کلاسیک این رشته را با فناوری‌های پیشرفته هوش مصنوعی تلفیق کرده و به عنوان پیشگام در زمینه هوش مصنوعی مکانی (GeoAI) شناخته می‌شود. وی با تکیه بر مدرک کارشناسی ارشد مهندسی محیط زیست و درک عمیق از اکوسیستم‌ها، تخصص خود را فراتر از روش‌های سنتی گسترش داده و با ورود به دنیای داده‌ها، فعالیت‌های حرفه‌ای خود را بر کاربرد هوش مصنوعی در علوم محیط زیست متمرکز کرده است. او هم‌اکنون به عنوان مشاور ارشد علوم مکانی در محیط زیست و منابع طبیعی، با استفاده از الگوریتم‌های پیشرفته در پی راهکارهایی برای پایش دقیق، پیش‌بینی تغییرات اقلیمی و مدیریت بهینه منابع است. فاطمه جعفری با باور بنیادین به اینکه «مهم‌ترین توجه انسان‌ها باید به مقوله محیط زیست باشد»، تکنولوژی را ابزاری قدرتمند برای نجات زمین می‌داند و علاوه بر پروژه‌های استراتژیک، با برگزاری مستمر کارگاه‌های آموزشی در زمینه علوم مکانی و زمین، مشتاقانه به انتقال دانش و تربیت نسلی متخصص برای حفاظت از آینده محیط زیست می‌پردازد.