人工智能如何帮助应对环境挑战?

简介: 人工智能可以在应对环境挑战方面发挥作用的几个领域,从设计更节能的建筑到监测森林砍伐,再到优化可再生能源部署。

image.png
我们无法管理我们无法衡量的东西,这是一句古老的商业格言。随着世界面临气候变化、自然和生物多样性丧失、污染和浪费三重全球危机,这在今天比以往任何时候都更加真实。

如今,我们可用的气候数据比以往任何时候都多,但如何访问、解释和处理这些数据对于管理这些危机至关重要。其中一项核心技术是人工智能 (AI)。

那么,人工智能究竟意味着什么?
“人工智能是指执行通常需要人类智能的任务的系统或机器,并且可以根据他们收集的信息随着时间的推移迭代地改进自己,”联合国环境规划署(UNEP)数字转型次级项目协调员David Jensen 说。

Jensen 强调了人工智能可以在应对环境挑战方面发挥作用的几个领域,从设计更节能的建筑到监测森林砍伐,再到优化可再生能源部署。

“这可以是大规模的——例如全球排放的卫星监测,或者更细化的规模——例如智能房屋在一定时间后自动关闭灯或暖气,”他补充道。

通知实时分析
UNEP 的世界环境情况室(WESR) 于 2022 年推出,是一个利用人工智能分析复杂、多方面数据集的数字平台。

在合作伙伴联盟的支持下,WESR 对可用的最佳地球观测和传感器数据进行管理、汇总和可视化,以提供近乎实时的分析和对多种因素的未来预测,包括二氧化碳大气浓度、冰川质量变化和海平面上升。

Jensen 说:“WESR 正在发展成为一个用户友好、需求驱动的平台,它将数据利用到政府办公室、教室、市长办公室和董事会会议室。我们需要可信、可信赖和独立的数据来为决策提供信息并提高透明度– WESR 提供了这一点,”他补充道。

“随着时间的推移,WESR 的目标是成为地球的任务控制中心,我们所有重要的环境指标都可以在这里无缝监控以推动行动。”

监测甲烷排放
WESR 数字生态系统内由环境署牵头的举措之一是国际甲烷排放观测站 (IMEO),它利用人工智能彻底改变监测和减少甲烷排放的方法。

该平台作为经经验验证的甲烷排放的全球公共数据库运行。它利用人工智能将这些数据与科学、透明度和政策行动战略性地互连起来,为数据驱动的决策提供信息。

“IMEO 的技术使我们能够收集和整合不同的甲烷排放数据流,从而以前所未有的准确度和粒度建立经经验验证的甲烷排放的全球公共记录,”Jensen 说。

“减少能源部门的甲烷排放是限制气候变暖影响的最快、最可行和最具成本效益的方法之一,可靠的数据驱动的行动将在实现这些减排方面发挥重要作用,”他补充道。

跟踪空气质量
环境署与 IQAir 合作发起的另一项环境监测计划是GEMS 空气污染监测平台。它是世界上最大的全球空气质量信息网络。IQAir 汇总了来自 140 多个国家/地区的 25,000 多个空气质量监测站的数据,并利用 AI 洞察实时空气质量对人群的影响,并帮助制定健康保护措施。

“这些平台允许私营和公共部门利用数据和数字技术,以加速全球环境行动并从根本上破坏一切照旧的模式,” Jensen说。“最终,它们可以以前所未有的速度和规模为系统性变革做出贡献,”他补充道。

测量环境足迹
人工智能可以发挥作用的其他领域是计算产品的环境和气候足迹。“人工智能将成为这一领域的基础,” Jensen 说。

“它可以帮助计算产品在整个生命周期和供应链中的足迹,并使企业和消费者能够做出最明智和最有效的决策。这种数据对于亚马逊、Shopify 或阿里巴巴等电子商务平台上的可持续数字推动至关重要。”

减少 ICT 排放
Jensen 说,虽然数据和人工智能对于加强环境监测是必要的,但我们还必须考虑处理这些数据的环境成本。

“ICT 部门产生了大约 3-4% 的排放量,数据中心使用大量的水进行冷却。正在努力减少这一足迹——包括通过CODES 数字时代可持续星球行动计划——这是联合国秘书长数字合作路线图的衍生举措之一。

但电子废物是一个主要问题,因为目前只有 17.4% 的电子废物以环保方式回收和处置。根据联合国全球电子废物监测报告,到 2030 年,电子废物将增长到近 7500 万吨。

联合国环境署的研究表明,为了解决这种浪费,消费者应该减少消费,回收电子产品并修复那些可以修复的产品。

联合国环境署站在支持《 巴黎协定》 目标的前沿,该目标将全球气温上升幅度控制在远低于 2°C 的范围内,并以安全为目标,与工业化前的水平相比,目标是 1.5°C。为此,环境署制定了 六部门解决方案 路线图,以根据《巴黎协定》的承诺和追求气候稳定来减少跨部门的排放。六个部门是能源;工业; 农业和食品;森林和土地利用;交通、建筑和城市。

相关文章
|
5月前
|
Web App开发 人工智能 测试技术
软件测试/人工智能|一文教你配置selenium环境
软件测试/人工智能|一文教你配置selenium环境
41 0
|
6月前
|
机器学习/深度学习 并行计算 PyTorch
搭建(人工智能)或(视觉处理)环境前必看
在进行做人工智能或视图处理的一些ai环境搭建的时候,我们经常要下Anaconda要下cuda要下pytorch一大堆的东西,那么这些东西的作用和他们之间的关系是什么呢!
58 1
|
12月前
|
存储 人工智能 并行计算
系统崩了,我的【Conda等Jupyter人工智能环境】怎么办?
系统崩了,我的【Conda等Jupyter人工智能环境】怎么办?
81 0
|
机器学习/深度学习 人工智能 监控
在当今的人工智能环境中,什么是可解释AI?
可解释AI,顾名思义,有助于描述一个AI模型、其影响和潜在的偏见。其还在描述模型的准确性、公平性、透明度和人工智能驱动决策过程的结果方面发挥着作用。
165 0
在当今的人工智能环境中,什么是可解释AI?
|
人工智能 算法 安全
【云栖号案例 | 物联网&人工智能】训练AI吞食垃圾 瀚蓝环境探索破解垃圾围城难题
瀚蓝发展过程中面临经验存在偏差与不稳定、经验难以固化与传承的问题。上云后实现对垃圾焚烧过程的自动控制,AI垃圾焚烧优化方案实现蒸汽量1.8%提升。
【云栖号案例 | 物联网&人工智能】训练AI吞食垃圾 瀚蓝环境探索破解垃圾围城难题
|
机器学习/深度学习 人工智能 算法
【蜂口 | AI人工智能】搭建caffe依赖环境——龙鹏的一站式caffe工程实践连载(一)
大家好,我是龙鹏,现在在陌陌深度学习实验室担任资深高级算法工程师,之前在360人工智能研究院担任算法工程师,目前已具有六年的计算机视觉相关的项目经验了。这次的分享我会基于Caffe这个深度学习开源框架,给大家描述一个完整的图像分割项目,大家会对图像分割技术中的基本原理有所了解,并且能够掌握Caffe这个深度学习框架,从而提高自己的应用实战水平。
1699 0
|
人工智能 算法 大数据
《中国人工智能学会通讯》——12.2 大数据环境下序列模式挖掘及应用
本节书摘来自CCAI《中国人工智能学会通讯》一书中的第12章,第12.2节, 更多章节内容可以访问云栖社区“CCAI”公众号查看。
2016 0
|
人工智能 监控
《中国人工智能学会通讯》——10.14 高压强电环境下的无线供电系统
本节书摘来自CCAI《中国人工智能学会通讯》一书中的第10章,第10.14节, 更多章节内容可以访问云栖社区“CCAI”公众号查看。
1382 0
|
机器学习/深度学习 人工智能 测试技术
《中国人工智能学会通讯》——2.31 跨环境抽象(Abstracting Across Environments)
本节书摘来自CCAI《中国人工智能学会通讯》一书中的第2章,第2.31节, 更多章节内容可以访问云栖社区“CCAI”公众号查看。
1325 0