آژانس حفاظت از محیط زیست تخمین می زند که بخش حمل و نقل تقریباً 27 درصد از انتشار گازهای گلخانه ای سالانه در ایالات متحده را تشکیل می دهد و انتشارات ناشی از حمل و نقل وسایل نقلیه موتوری – که توسط وسایل نقلیه احتراق داخلی تولید کننده کربن کار می کنند – بخش بزرگی از آن را تشکیل می دهد. .
سال‌هاست که محققان تلاش می‌کنند تا این انتشارات را دقیق‌تر اندازه‌گیری کنند، اما موجودی‌های موجود اغلب قدیمی، ناقص و محدود هستند.
اکنون، دانشمندان آزمایشگاه فیزیک کاربردی جانز هاپکینز (APL) در لورل، مریلند، از هوش مصنوعی و یادگیری ماشینی (ML) برای تولید تخمین‌های دقیق از انتشار گازهای گلخانه‌ای 500 شهر برتر جهان در جهان استفاده کرده‌اند.
ماریسا هیوز، دستیار مدیر برنامه برای پایداری محیط زیست توضیح داد: «به ویژه، ما توانستیم میانگین ترافیک روزانه سالانه را در بخش‌های جاده‌ای در مناطق شهری تخمین بزنیم و این را با تخمین‌های محلی فاکتورهای انتشار وسایل نقلیه ترکیب کنیم تا برآوردی از کل آلاینده‌ها ایجاد کنیم. در ماموریت تحقیق و توسعه اکتشافی APL.
هیوز که به هدایت تلاش‌های آزمایشگاه تغییر آب و هوا کمک می‌کند، گفت: «توانایی محاسبه انتشار در هر بخش جاده سطح بی‌سابقه‌ای از جزئیات و پوشش جهانی را فراهم می‌کند. ترکیبی از فعالیت جاده‌ای پیش‌بینی‌شده توسط ML همراه با داده‌های عامل انتشار خاص منطقه، تخمین‌های خودکار، دقیق، جهانی، به‌موقع و قابل اجرا از انتشار گازهای گلخانه‌ای ناشی از حمل‌ونقل جاده‌ای را ایجاد می‌کند.
هیوز گفت که عمل کلمه کلیدی است. “شما نمی توانید چیزی را که نمی توانید اندازه گیری کنید تغییر دهید، و این یک چالش بزرگ برای مقابله با تغییرات آب و هوایی است. ما باید بدانیم که انتشار گازهای گلخانه‌ای از کجا می‌آید، اما این بدان معناست که تعداد زیادی از مشارکت‌های کوچک در طول زمان و جغرافیا را شامل می‌شود.
مرئی کردن نامرئی
حدود 1.4 میلیارد وسیله نقلیه موتوری در جهان وجود دارد. یک تیم APL متشکل از کارشناسان سنجش از دور و بینایی کامپیوتری فکر کردند که می‌توانند گازهای گلخانه‌ای این وسایل نقلیه را با استخراج امضاهای انتشار از داده‌های ماهواره‌ای بصری اندازه‌گیری کنند و اساساً نامرئی را قابل مشاهده کنند. آنها تصمیم گرفتند به داده‌های انتشار موجود نگاه کنند، آنها را با این تصاویر تطبیق دهند، هر چیزی را که می‌توانند با عصبی استخراج کنند
شبکه های.
هیوز گفت که در آن زمان بود که تیم متوجه شد راه دیگری برای مقابله با چالش وجود دارد. APL تجربه نقشه‌برداری الگوهای زندگی برای جامعه اطلاعاتی را تحت پروژه‌ای به نام داشت نقشه جهان کاربردیکه در آن کارشناسان کاربری زمین و سازه‌ها را نقشه‌برداری کردند و از داده‌های ماهواره‌ای در زمان‌های مختلف روز برای درک و تمایز ساختارهای مشابه، مانند ساختمان‌های اداری و آپارتمانی استفاده کردند.
مجتمع ها
درک رولند، محقق ارشد ML در APL به یاد می‌آورد: «ما فکر می‌کردیم اگر همین تحلیل «مدل زندگی» را انجام دهیم و به جای تمرکز بر ساختمان‌ها، به شبکه‌هایی از جاده‌هایی که آنها را به هم متصل می‌کنند نگاه کنیم، چه می‌شود. ما یک شبکه عصبی عمیق ساخته‌ایم که داده‌های موجود در سطح جهانی را می‌گیرد: تصاویر ماهواره‌ای، داده‌های شبکه جاده‌ای و جمعیت.
از آنجایی که برخی از مناطق دارای داده های دقیق آلایندگی و شمارش وسایل نقلیه بودند، “ما توانستیم مدل های یادگیری ماشینی خود را با داده های فعالیت خودرو در دنیای واقعی در آنجا آموزش دهیم و سپس پیش بینی های مدل را ابتدا در سطح ایالت و به زودی برای 500 شهر برتر جهان اعمال کنیم. جهان» او ادامه داد.
این کار کمک قابل توجهی به تلاش بزرگتر برای نظارت بر انتشار گازهای گلخانه ای در مقیاس جهانی انجام شده توسط ردیابی آب و هوا [Tracking Real-time Atmospheric Carbon Emissions]یک ائتلاف بین‌المللی ایجاد شده تا با ردیابی مستقل انتشار گازهای گلخانه‌ای با جزئیات و سرعت بی‌سابقه، سریع‌تر و آسان‌تر اقدام معنادار آب و هوایی را انجام دهد. ائتلافی که شامل APL می شود، ال گور، معاون سابق رئیس جمهور را از جمله حامیان مالی و حامیان اصلی خود می داند و مجله تایم احترام تلاش به عنوان یکی از 100 اختراع برتر سال 2020.
این کار نشان می دهد که چگونه APL تخصص منحصر به فرد خود را برای کمک به چالش های جهانی تغییرات آب و هوا به ارمغان می آورد.
بابی آرمیگر، که همراه با هیوز رهبری تمرکز Labwide بر آب و هوا را بر عهده دارد، گفت: «این یک مثال عالی از این است که چگونه می‌توان مهارت‌ها و قابلیت‌های منحصربه‌فرد ما در یادگیری ماشین، تصاویر ماهواره‌ای و مدل‌سازی سیستم‌ها را برای درک و حل مشکلات پیچیده روزی به کار برد. تحقیق تغییر
در 9 نوامبر، Climate TRACE راه اندازی شد دقیق ترین فهرستی از انتشار گازهای گلخانه ای که تا کنون گردآوری شده است، داده های انتشار سطح دارایی را برای 81087 منبع منفرد در سرتاسر جهان ارائه می دهد – و داده های حمل و نقل APL بخشی از این نسخه بود. علاوه بر انتشار اطلاعات در سطح تأسیسات، Climate TRACE فهرست آلاینده‌های مستقل خود را از هر کشور به‌روزرسانی کرده است تا شامل داده‌های سال 2021 باشد، و یک نمای کلی از انتشار سالانه گازهای گلخانه‌ای از سال 2015، سال توافق پاریس، یک معاهده بین‌المللی در مورد آب و هوا ارائه می‌دهد. تغییر دادن.
ایجاد شفافیت رادیکال برای انتشار جهانی
اعضای ائتلاف Climate TRACE حول هدفی که آن را شفافیت رادیکال می نامند متحد شده اند.
هیوز می‌گوید: «این در مورد این است که بدانیم همه گازهای گلخانه‌ای کجا هستند، انتشار گازهای گلخانه‌ای از کجا می‌آیند، و در عین حال در مورد نحوه محاسبه این انتشارات بسیار شفاف باشیم. “این یک چالش واقعا بزرگ است. اما اگر آن شفافیت رادیکال را دارید، می‌توانید وارد شوید و شروع به انجام برخی تحلیل‌ها و مقایسه‌ها کنید تا بفهمید چه چیزی از نظر کاهش کارآمد است و چه چیزی نیست.
انتشارات.»
یکی از اهداف ائتلاف برای سال آینده این است که بفهمد چگونه مجموعه‌ای از منابع متفاوت، مجموعه داده‌های همپوشانی و موجودی انتشار گازهای گلخانه‌ای را گرد هم آورد تا بهترین تخمین جدیدی از آنچه واقعاً در حال وقوع است ایجاد کند.
هیوز گفت: «رویای شفافیت رادیکال و دانستن اینکه همه فیدها در زمان واقعی با هر تصویر ماهواره‌ای جدید از کجا می‌آیند، هنوز فاصله زیادی دارد. “اما اکنون احساس نزدیکی می کنم.”
APL از تمام شایستگی‌های اصلی خود در این حوزه چالشی حیاتی بهره می‌برد و کارشناسان برتر از زمینه‌های علمی مختلف و شرکای سراسر شرکت، صنعت و دولت جانز هاپکینز را گرد هم می‌آورد تا فرصت‌های استراتژیک را برای ایجاد بیشترین تأثیر بر تغییرات آب و هوایی بررسی کند. بیشتر بدانید در تغییرات آب و هوا و امنیت ملی (jhuapl.edu).
