مدل‌های محاسباتی پیشرفته و حسگرها (سنسورها) در مدیریت آلودگی زیست‌محیطی

نویسنده: فاطمه جعفری نوبخت

مقدمه: گذار به پیش‌بینی هوشمند کیفیت هوا

نظارت و پیش‌بینی دقیق کیفیت هوا یکی از ارکان اساسی در حفاظت از سلامت عمومی و مدیریت پایدار محیط‌زیست به شمار می‌رود. آلودگی هوا، ناشی از شهرنشینی نامتوازن، رشد بی‌رویه حمل‌ونقل و صنعتی‌سازی غیرارگانیک، به یک چالش اجتماعی و زیست‌محیطی حیاتی تبدیل شده است که اکوسیستم و سلامت شهروندان را به طور مستقیم تحت تأثیر قرار می‌دهد. در نتیجه، پیش‌بینی پیشرفته آلودگی هوا برای تدوین برنامه‌های پیشگیرانه و اقدامات مدیریتی، از اهمیت فوق‌العاده‌ای برخوردار است.

به‌طور سنتی، سه رویکرد اصلی برای پیش‌بینی کیفیت هوا وجود داشته است: مدل‌های قطعی (deterministic)، آماری (statistical) و مبتنی بر شبکه عصبی (neural network-based). مدل‌های قطعی بر اساس منابع آلاینده، مقادیر انتشار لحظه‌ای و واکنش‌های شیمیایی عمل می‌کنند اما به پارامترهای دقیق و قدرت محاسباتی بالا نیاز دارند. مدل‌های آماری به داده‌های تاریخی گسترده‌ای برای کشف روابط آماری متکی هستند. در این میان، مدل‌های مبتنی بر شبکه عصبی به دلیل توانایی استثنایی خود در مدل‌سازی روابط پیچیده و غیرخطی میان آلاینده‌ها و شرایط محیطی، به عنوان ابزاری قدرتمند و انعطاف‌پذیر ظاهر شده‌اند.

با پیشرفت فناوری، یادگیری عمیق (Deep Learning) به عنوان زیرمجموعه‌ای پیشرفته از یادگیری ماشین، قابلیت‌های جدیدی را در این حوزه معرفی کرده است. مزیت اصلی مدل‌های یادگیری عمیق، توانایی آن‌ها در انجام خودکار مهندسی ویژگی (feature engineering) است. این قابلیت، مدل را قادر می‌سازد تا ویژگی‌های انتزاعی و سلسله‌مراتبی را مستقیماً از داده‌های خام استخراج کند و نیاز به تلاش‌های زمان‌بر و تخصصی در حوزه دامنه را کاهش دهد. این گزارش فنی به بررسی مفاهیم بنیادین، معماری‌های کلیدی شبکه‌های عصبی و مدل‌های پیشرفته یادگیری عمیق برای پیش‌بینی کیفیت هوا می‌پردازد و چشم‌اندازی از آینده این فناوری ارائه می‌دهد.

در زیر به تشریح نقش این فناوری‌ها بر اساس منابع موجود می‌پردازیم:

۱. نقش حسگرها و سامانه‌های پایش (Sensing Systems)

حسگرها و سیستم‌های مبتنی بر داده، امکان نظارت بر داده‌های محیطی را فراهم می‌کنند که برای مدیریت آلودگی ضروری است.

• جمع‌آوری داده‌های محیطی در زمان واقعی : (Real-time) سیستم‌هایی مانند AirCasting راه‌حل‌های کامل و متن‌باز (open-source) برای ثبت اندازه‌گیری‌های واقعی، نمایش نقشه‌های حرارتی آلودگی ذرات معلق (PM) و به اشتراک‌گذاری داده‌های محیطی با استفاده از تلفن‌های هوشمند ارائه می‌دهند .
• حسگرهای انبوه موبایلی: (Mobile Crowd Sensing – MCS)  این رویکرد از حسگرهای فیزیکی، اجتماعی یا مجازی استفاده می‌کند و در مطالعات محیطی کاربرد دارد .
  • پروژه‌هایی مانند  City Scanner از پلتفرم‌های حسگر مستقل نصب شده بر روی وسایل نقلیه (مانند اتوبوس‌های شهری یا دوچرخه‌های برقی) برای ثبت تغییرات مکانی-زمانی و تولید نقشه‌های تقریباً بلادرنگ (near real-time) از نقاط داغ آلاینده‌های هوا استفاده می‌کنند.
  • این روش با جمع‌آوری داده‌های گسترده (از طریق مشارکت شهروندان) به ارزیابی میزان مواجهه فردی با آلودگی هوا و تأثیر آن بر سلامت کمک می‌کند .
• افزایش آگاهی از کیفیت هوا در محیط‌های داخلی (IAQ) : حسگرهای متصل به دستگاه‌های کوچک مانند  Raspberry Pi Zero W و حسگرهای Bosch BME280 در کلاس‌های درس نصب می‌شوند تا داده‌های CO2  و ترکیبات آلی فرار  (VOCs)  را اندازه‌گیری کنند.
  • این دستگاه‌ها بازخورد فوری (اغلب از طریق کدگذاری رنگی یا استفاده از نمادها/عروسک‌ها) در زمان واقعی روی برنامه‌هایی مانند iPad app  نمایش می‌دهند .
  • هدف، ترغیب معلمان و دانش‌آموزان به تغییر رفتارهایی مانند باز کردن پنجره‌ها برای کاهش سطح CO2 و بهبود کیفیت هوای داخل است .

۲. نقش مدل‌های محاسباتی پیشرفته (Advanced Computational Models)

مدل‌های محاسباتی، به‌ویژه هوش مصنوعی (AI) و یادگیری عمیق (DL)، با فراهم آوردن امکان پیش‌بینی و بهینه‌سازی سریع، فرآیندهای مدیریت آلودگی را سرعت بخشیده و دقیق‌تر می‌کنند.

الف) بهینه‌سازی فرآیندهای حذف آلاینده‌ها

مدل‌های پیشرفته برای بهبود کارایی فرآیندهای سنتی تصفیه مانند جذب (Adsorption) به کار می‌روند .

• شبکه‌های عصبی مصنوعی (ANN) و متدولوژی سطح پاسخ : (RSM) این مدل‌ها برای اعتبار سنجی و بهینه‌سازی پارامترهای عملیاتی (مانند pH، دما، دوز جاذب و غلظت اولیه) در حذف آلاینده‌هایی چون کارباریل (Carbaryl)، فلزات سنگین و سموم دفع آفات استفاده می‌شوند.
  • مدل‌های ANN اغلب در مواجهه با رفتارهای غیرخطی، کارایی بهتری نسبت به RSM نشان می‌دهند .
• تحلیل مکانیسم جذب: مدل‌های نظری و تجربی مختلفی مانند مدل‌های ایزوترم لانگمویر (Langmuir)، فروندلیچ (Freundlich)، و سینتیک شبه درجه اول و دوم به درک ظرفیت جذب نهایی، سازوکار جذب (فیزیکی یا شیمیایی) و سرعت حذف آلاینده‌ها (مانند گلایفوسیت و فلزات سنگین) کمک می‌کنند.

ب) پیش‌بینی کیفیت محیطی

مدل‌های هوش مصنوعی (AI) و یادگیری عمیق (DL) ابزارهای قدرتمندی برای پیش‌بینی پارامترهای محیطی هستند:

1. پیش‌بینی کیفیت هوا:
   • AI و DL، به‌ویژه مدل‌هایی مانند شبکه‌های عصبی عمیق (Deep Neural Networks)، برای پیش‌بینی آلودگی هوا به کار می‌روند .
   • مدل‌های یادگیری عمیق مانند شبکه‌های عصبی کانولوشنی (CNN)، شبکه‌های حافظه کوتاه‌مدت طولانی (LSTM)، واحدهای بازگشتی دروازه‌ای (GRU)، و شبکه‌های بازگشتی عصبی (RNN) به دلیل توانایی‌شان در یادگیری از تجربه و پردازش داده‌های سری زمانی و روابط مکانی-زمانی، در پیش‌بینی غلظت آلاینده‌ها (مانند5, NO2, O3, SO2) و شاخص کیفیت هوا (AQI) بسیار دقیق هستند .
   • روش‌های شبکه‌های عصبی مبتنی بر) MLPچند لایه پرسپترون(، ELM )ماشین یادگیری حدی) و GRNN (شبکه عصبی رگرسیون عمومی) نیز برای پیش‌بینی آلودگی هوا به‌صورت مکرر استفاده می‌شوند و دقت خود را ثابت کرده‌اند .
2. ارزیابی و پیش‌بینی کیفیت آب:
   • شبکه عصبی مصنوعی (ANN) جایگزینی سریع، آسان و ارزان برای روش‌های معمول و وقت‌گیر تعیین پارامترهای کیفیت آب (WQP) مانند اکسیژن مورد نیاز بیوشیمیایی (BOD) است .
   • ANN با استفاده از پارامترهایی مانند کدورت (Turbidity)، رسانایی الکتریکی (EC)  و کلرید، می‌تواند مقادیر BOD را با دقت بالا پیش‌بینی کند، به‌طوری که مدل‌های بهینه‌سازی شده (مانند مدل M6 ) به ضرایب همبستگی بالایی(۰.۹۴= r )دست می‌یابند .
   • مدل‌های ترکیبی مانند تخمین‌گر کالمن مبتنی بر SFO (Synergistic Fibroblast Optimization) برای پیش‌بینی سری‌های زمانی پارامترهای کیفیت آب مانند کل مواد جامد محلول (TDS) و EC استفاده می‌شوند و با نرخ موفقیت بالا (اغلب بیش از ۹۹٪) خطای پیش‌بینی را کاهش می‌دهند.

جمع‌بندی تحول

استفاده ترکیبی از حسگرها و مدل‌های محاسباتی پیشرفته، مدیریت آلودگی را از روش‌های زمان‌بر و پرهزینه‌ی آزمایشگاهی (مانند فرآیندهای دسته‌ای قدیمی) به سمت سامانه‌های هوشمند، بلادرنگ و پیش‌بین سوق داده است. این تحول منجر به بهبود کارایی فرآیندها، کاهش هزینه‌ها (با بهینه‌سازی استفاده از جاذب‌ها) و ارائه هشدارهای سریع در مورد خطرات محیطی می‌شود، به‌طوری که پیش‌بینی پارامترهایی مانند BOD در زمان بسیار کوتاه‌تر و راحت‌تر انجام می‌پذیرد .

این فرآیند مانند تعویض یک دماسنج قدیمی و کُند با یک سیستم آب و هوایی هوشمند و پیشرفته است: سنسورها داده‌های لحظه‌ای را جمع‌آوری می‌کنند، و مدل‌های پیشرفته (مانند DL  و ANN) این داده‌ها را تحلیل کرده و آینده را با دقت پیش‌بینی می‌کنند تا اقدامات مدیریتی را به‌سرعت هدایت کنند.

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.