- طور الباحثون طريقة تعلم آلي لتتبع مصادر انبعاثات الكربون.
- تظهر بيانات الهواتف المحمولة العلاقة بين الحركة اليومية وانبعاثات الكربون.
- تساهم المعلومات المقدمة من الشبكات المتحركة في تحسين دقة توقعات الانبعاثات.
- توجد قيود على الدراسة، مثل نطاق تغطية بيانات الهواتف المحمولة واعتبارات الخوارزمية غير الكافية.
طور الباحثون طريقة تعتمد على التعلم الآلي لحساب انبعاثات ثاني أكسيد الكربون الناتجة عن السلوك البشري. من خلال تحليل بيانات حركة الجماعات على الهواتف المحمولة، تستطيع هذه الطريقة تحديد المواقع الرئيسية التي يتجمع فيها الناس وتتبع تغيرات هذه الأنماط مع مرور الوقت. وفقًا لدراسة نُشرت في مجلة The Innovation، تظهر أن عادات التنقل اليومية في الصين مرتبطة بالتلوث الناتج عن صناعات مختلفة. قام العلماء باختبار هذه الطريقة في إيطاليا والولايات المتحدة والمكسيك. حقق الباحثون نتائج مشجعة من خلال استخدام حركة البشر كقياس إضافي للنشاط الاجتماعي والاقتصادي، دون الاعتماد فقط على سجلات الانبعاثات التقليدية.
تشكل الحركة اليومية، بما في ذلك التنقل، ونقل البضائع، والسفر، والتسوق، أنماطًا تساعد في الكشف عن استهلاك الطاقة والانبعاثات الكربونية ذات الصلة.
بيانات الهواتف المحمولة تكشف أنماط انبعاثات الكربون
تستخدم الدراسة بيانات الهواتف المحمولة لتقدير الانبعاثات، حيث يتم تحويل بيانات المواقع الجغرافية للأشخاص إلى شبكة حركة. في هذه الشبكات، تمثل المدن الكبرى كنقاط، بينما توضح المسارات بين المدن كيفية تنقل الناس. بالإضافة إلى هذه الخرائط الحركية، أضاف فريق البحث بيانات سكانية ومعلومات أخرى. بعد فحص ثمانية نماذج تعلم آلي، اكتشف الفريق أن نموذج LightGBM القائم على الأشجار قدم أفضل أداء. في الاختبارات، توقعت حركة الناس انبعاثات عدة صناعات، حيث بلغ معامل التحديد R² قيمة مثالية قدرها 1.00. بينما كان معامل التحديد لرحلات الطيران 0.99، وللطرق البرية 0.98.
عند استخدام بيانات مقسمة حسب التاريخ في الاختبارات، ظلت قيم معامل التحديد R² لهذه الفئات الثلاثة مرتفعة عند 1.00 و0.99 و0.95. في الاختبارات التي أجريت باستخدام قاعدة بيانات GRACED في إيطاليا والولايات المتحدة والمكسيك، كانت قيم معامل التحديد R² 0.91 و0.95 و0.99. بالإضافة إلى ذلك، عند استخدام هذه النماذج مع سجلات ODIAC في تلك البلدان، حافظت الدرجات على مستوى يتراوح بين 0.90 و0.99.
الشبكات الديناميكية تعزز دقة التوقعات
توفر المعلومات المقدمة من الشبكات المتحركة أكثر من المواقع الثابتة أو كثافة السكان. إن دمج بيانات الحركة في عملية الحساب يزيد من دقة الانبعاثات، خاصة بالنسبة للانبعاثات التي تتغير مع مرور الوقت. تظهر النتائج أنه في حالة الصين، كانت بيانات الحركة خلال الأسبوع الماضي كافية لتقديم توقعات جيدة. كما اكتشفت الأبحاث الحركية بعض التجمعات الحضرية المرتبطة اقتصاديًا، والتي يمكن اعتبارها وحدة واحدة لحماية المناخ. غالبًا ما لا تتبع هذه التجمعات الحدود الإدارية، بل تركز على المناطق الاقتصادية الفعلية المرتبطة بحركة الأفراد والبضائع.
ومع ذلك، توجد بعض القيود في هذه الدراسة. على سبيل المثال، لا تغطي بيانات الهواتف المحمولة جميع الأشخاص، وتختلف طرق استخدام الناس للهواتف، ولا تتوفر نفس تغطية الشبكة في جميع المناطق. كما أن النسخة الحالية من الخوارزمية لم تأخذ في الاعتبار التغيرات في أنماط الحياة اليومية، والعطلات، أو احتياجات الطاقة في فصول السنة المختلفة. مع تزايد عدد الأشخاص الذين يعملون من المنزل أو يستخدمون السيارات، قد تتغير العلاقة بين الحركة والتلوث. في النهاية، يعمل النظام في هذه الدراسة كوسيلة لتتبع الانبعاثات، بالتعاون مع قواعد البيانات الحالية، لتوفير معلومات حول سلوك الناس محليًا، مما يساعد على اكتشاف التغيرات السريعة في التلوث في الوقت المناسب، ويسهل وضع سياسات مناخية أفضل.
تم نشر هذه الدراسة في مجلة The Innovation.
آفاق استخدام بيانات الهواتف المحمولة في أبحاث انبعاثات الكربون
تظهر استخدام بيانات الهواتف المحمولة لتتبع انبعاثات الكربون إمكانياتها في مراقبة البيئة. لا توفر هذه الطريقة توقعات انبعاثات أكثر دقة فحسب، بل تكشف أيضًا عن العلاقة بين سلوكيات البشر وتأثيرها على البيئة. مع تقدم التكنولوجيا، قد يتم تطبيق المزيد من التقنيات المبتكرة في أبحاث تغير المناخ في المستقبل، مما يساعد صانعي السياسات على وضع تدابير أكثر فعالية. ومع ذلك، لا تزال القيود المذكورة في الدراسة، مثل نطاق تغطية البيانات وقيود الخوارزمية، بحاجة إلى مزيد من التغلب عليها لتعزيز موثوقية التوقعات بشكل عام.

