Вычислительная устойчивость

Вычислительная устойчивость — это новая область, которая пытается сбалансировать социальные, экономические и экологические ресурсы для будущего благополучия человечества, используя методы математики , информатики и информатики . Устойчивость в этом контексте относится к способности мира поддерживать биологические, социальные и экологические системы в долгосрочной перспективе. Используя возможности компьютеров для обработки больших объемов информации, алгоритмы принятия решений распределяют ресурсы на основе информации в реальном времени. Приложения, разработанные в этой области, широко распространены в различных областях. Например, методы искусственного интеллекта и машинного обучения создаются для содействия долгосрочному сохранению биоразнообразия и защите видов. Интеллектуальные сети реализуют возобновляемые ресурсы и возможности хранения для контроля производства и расходования энергии. Технологии интеллектуальных транспортных систем могут анализировать дорожные условия и передавать информацию водителям, чтобы они могли принимать более разумные и экологически выгодные решения на основе информации о дорожном движении в режиме реального времени.

История и мотивация

Область вычислительной устойчивости была мотивирована « Нашим общим будущим» , докладом Всемирной комиссии по окружающей среде и развитию 1987 года о будущем человечества. Совсем недавно исследования вычислительной устойчивости также были обусловлены целями устойчивого развития Организации Объединенных Наций , набором из 17 целей, направленных на обеспечение устойчивого экономического, социального и экологического благополучия человека во всем мире. Исследователи в области вычислительной устойчивости в первую очередь сосредоточились на решении проблем в областях, связанных с окружающей средой (например, сохранением биоразнообразия ), устойчивой энергетической инфраструктурой и природными ресурсами , а также социальными аспектами (например, глобальный голодный кризис). Вычислительные аспекты вычислительной устойчивости используют методы математики и информатики в области искусственного интеллекта , машинного обучения , алгоритмов , теории игр , проектирования механизмов , информатики , оптимизации (включая комбинаторную оптимизацию ), динамических систем и многоагентных систем. .

Хотя формальное возникновение вычислительной устойчивости часто относят к 2008 и 2009 годам, ознаменовавшимся учреждением премии, финансируемой NSF , а также проведением специальных конференций и семинаров, исследование вычислительных методов для решения проблем экологической и социальной устойчивости предшествует этому периоду. . Использование статистических и математических моделей для решения проблем, связанных с устойчивым развитием, имеет долгую историю, параллельную эволюции самой вычислительной технологии. Ярким примером являются первые попытки моделирования климата, которые были ограничены ограниченными вычислительными ресурсами, доступными в то время, что требовало упрощенных моделей.

В области искусственного интеллекта, особенно в области машинного обучения, в 1990-е годы проводились исследования, посвященные экологическому моделированию и управлению сточными водами , среди других вопросов устойчивого развития. Эта работа продолжалась в 2000-е годы при поддержке таких групп, как рабочая группа «Машинное обучение для окружающей среды», созданная Национальным центром экологического анализа и синтеза в 2006 году. Могут быть проведены исследования по оптимизации для решения задач устойчивого развития, такие как проектирование заповедников дикой природы. восходит к 1980-м годам.

В начале 2000-х годов также наблюдалась растущая обеспокоенность по поводу воздействия самих вычислительных технологий на окружающую среду, когда экологические информационно-коммуникационные технологии (ИКТ) привлекли внимание компаний ИКТ . Этот интерес простирался за рамки непосредственного воздействия вычислений на окружающую среду и рассматривал воздействия второго и более высокого порядка, такие как потенциал ИКТ по ​​сокращению углеродного следа авиаперелетов посредством онлайн-конференций или оптимизации маршрутов доставки для снижения выбросов CO ₂ . Усилия международной политики, особенно со стороны Организации экономического сотрудничества и развития (ОЭСР), с тех пор были сосредоточены на системе признания многоуровневого воздействия ИКТ, и это внимание сохраняется и сегодня.

Перед конференцией ОЭСР 2008 года математики предложили использовать свой опыт для борьбы с изменением климата, что свидетельствует о растущем признании роли исследовательского сообщества в обеспечении устойчивости. В этот период также было создание Института вычислительной устойчивости в 2008 году и начало Международной конференции по вычислительной устойчивости в 2009 году, что стало поворотными моментами, которые значительно продвинули эту область. Включение тем устойчивого развития в крупные конференции по искусственному интеллекту еще больше интегрировало устойчивое развитие в более широкий компьютерный и научный дискурс.

Область вычислительной устойчивости продолжает расширяться благодаря таким важным инициативам, как награда Университета Миннесоты за экспедиции в области вычислений, ориентированная на устойчивое развитие , в 2010 году, направленная на улучшение понимания климата посредством интеллектуального анализа и визуализации данных. Установление наград и наград, связанных с устойчивым развитием, на различных конференциях, а также целевое финансирование со стороны таких организаций, как NSF, подчеркивает растущую важность компьютеров в решении проблем устойчивого развития.

Области устойчивого развития

Биоразнообразие и сохранение

Сохранение биоразнообразия направлено прежде всего на сохранение разнообразия видов, устойчивое использование видов и экосистем, а также поддержание систем жизнеобеспечения и важнейших экологических процессов. Сохранение видов является важной целью устойчивого развития, направленной на предотвращение утраты биоразнообразия . Поскольку урбанизация расширяется по всему миру, она угрожает дикой природе в городах и вокруг них. Усилия по сохранению включали создание коридоров дикой природы , которые используются для соединения популяций диких животных, изолированных от антропогенной фрагментации среды обитания . Строительство этих коридоров дикой природы является непростой задачей из-за барьеров между средой обитания и владельцами собственности (Зеллмер, Гото). Перемещение видов для соединения основных заповедных зон через коридоры приводит к проблеме оптимизации. Именно здесь технологии могут помочь не только в оптимизации коридоров, но и с точки зрения анализа затрат и выгод. Более того, искусственный интеллект служит инструментом в продолжающейся борьбе с утратой биоразнообразия и незаконной деятельностью, такой как браконьерство . В последние годы были проведены значительные исследования стратегий мониторинга дикой природы с целью лучшего понимания закономерностей и повышения безопасности в борьбе с браконьерством (Гомес). Такая интеграция ИИ в усилия по сохранению дикой природы представляет собой значительный шаг вперед в коллективных усилиях по охране и защите природных экосистем.

Цели ООН в области устойчивого развития

Организация Объединенных Наций перечисляет семнадцать различных целей устойчивого развития (ЦУР) для защиты планеты, каждая из которых важна по-разному. Цель устойчивого развития 14 делает упор на защиту жизни под водой. Ссылки на Цель устойчивого развития 15, защищающую жизнь на суше. Хотя технологии исторически благоприятствовали прибыльным секторам, их потенциал революционизировать экологическую устойчивость, особенно в области охраны дикой природы, остается в значительной степени неиспользованным. Изучая проблемы, вклад и потенциальный вклад технологических достижений в достижение Целей устойчивого развития 14 и 15, вычислительные инновации можно использовать для защиты жизни под водой и на суше.

Применение методов машинного обучения для решения проблем прогнозирования и борьбы Аляски с пожарами в бореальных лесах . Исследования подчеркнули важность адаптации существующих стратегий управления пожарами к развивающейся пожарной ситуации, особенно с учетом влияния изменения климата на частоту пожаров. Включая различные переменные, такие как топография , растительность и метеорологические факторы, исследование согласуется с парадигмой вычислительной устойчивости, которая стремится использовать вычислительные модели для устойчивых экологических практик.

Существует одна новая система машинного обучения для прогнозирования пожаров, которая представляет собой значительный вклад в вычислительную устойчивость в области мониторинга окружающей среды. Модель, ориентированная на выявление конкретных возгораний, которые могут привести к крупным пожарам, обеспечивает более простую и интерпретируемую альтернативу существующим, более сложным моделям прогнозирования. Акцент на двух ключевых переменных, дефиците давления пара (VPD) и фракции ели, отражает приверженность статьи практическим и действенным вычислительным подходам в экологической оценке. Оценка того, как активное управление пожарами влияет на пожарные режимы, подчеркивает роль вмешательства человека в формирование экологических последствий, иллюстрируя потенциал вычислительной устойчивости для принятия обоснованных решений в области экологического мониторинга и оценки.

Моделирование распространения видов

Исследователи вычислительной устойчивости владеют передовыми методами борьбы с утратой биоразнообразия, с которой сталкивается мир во время нынешнего шестого вымирания . Исследователи создали вычислительные методы для геопространственного картирования распределения, моделей миграции и коридоров дикой природы видов, которые позволяют ученым количественно оценивать усилия по сохранению и рекомендовать эффективные меры.

Возобновляемая и устойчивая энергия и материалы

Использование «доступной и чистой энергии» является одной из семнадцати целей устойчивого развития (ЦУР) во всем мире (Gomes et al., 2019).

Солнце, как единственная планета-хозяин звезды в Солнечной системе, может обеспечить чистую и возобновляемую энергию для удовлетворения потребностей растущего населения. В отличие от ископаемого топлива , Солнце не производит загрязняющих веществ или парниковых газов . Таким образом, использование солнечной энергии может уменьшить выбросы углекислого газа , что замедляет глобальное потепление и разрушение экосистем. Солнце проживет еще примерно 5 миллиардов лет и будет служить долгосрочным и стабильным источником энергии. Если люди смогут эффективно добывать и преобразовывать энергию, это принесет пользу как окружающей среде, так и экономике, способствуя устойчивому развитию.

Однако возобновляемая энергия , включая энергию ветра и солнца, не подлежит диспетчеризации. Люди не могут контролировать эти источники энергии или заранее прогнозировать производство энергии. При использовании возобновляемых источников энергии ученым приходится искать различные источники компенсации, что обычно связано с ископаемым топливом, которое считается неустойчивым. Альтернативно, люди могут хранить энергию из этих возобновляемых источников за разницу, которая может быть дорогостоящей.

При проектировании системы хранения данных ученым следует учитывать различные факторы, включая регулирование частоты , сдвиг энергии, сдвиг пиков и резервное питание (Gomes et al., 2019). Ученым будет сложно решить, использовать ли разнообразные источники энергии или хранить энергию для подготовки к непредвиденным ситуациям. Подходы к каждой стратегии сложны. Ученые превратили этот сценарий в задачу оптимизации, которая затрагивает три «широкие темы устойчивого развития» — моделирование, машинное обучение и гражданскую науку (Gomes et al., 2019).

Изменение климата и возобновляемые источники энергии взаимосвязаны друг с другом. Возобновляемые источники энергии, такие как Солнце и ветер, сильно зависят от климата. В пасмурный день люди будут получать меньше солнечной энергии из-за экранирования. Индекс УФ-излучения также повлияет на производство солнечной энергии. И наоборот, использование возобновляемых источников энергии в больших масштабах приносит пользу окружающей среде, уменьшая глобальное потепление и экстремальные погодные условия. Поэтому построение точной климатической модели и прогнозирование погоды для производства возобновляемой энергии становится необходимым.

В статье Джонса он исследует использование искусственного интеллекта (ИИ) для моделирования климата (2018). Основные проблемы использования компьютеров для моделирования климата возникают из-за отсутствия деталей и медленного моделирования. Различные вычислительные подходы также могут привести к различным и неточным результатам. Например, одна модель предсказывает, что температура может увеличиться более чем в три раза, чем другая модель, если уровень углекислого газа в атмосфере удвоится. Поэтому ученые включают механизмы машинного обучения в существующие климатические модели. Эта комбинация позволяет компьютеру эффективно различать более незаметные детали, чем традиционные компьютеры, даже с небольшими погрешностями и отклонениями, чтобы давать точные модели и прогнозы (Джонс, 2018). В то же время методы машинного обучения, включая нормализацию потоков, могут выводить долгосрочные закономерности и поведение на основе данных за короткий период.

Люди могут воспользоваться преимуществами мелкомасштабного моделирования, которое более эффективно для прогнозирования, особенно с характерными моделями. Например, информации о том, как облака развиваются в радиусе нескольких миль за короткий период, будет достаточно для «Cloud Brain», кода глубокого обучения , который сделает выводы об изменении климата из-за увеличения выбросов углекислого газа. Затем структура сможет определить климатическую модель в большом масштабе и на длительные периоды времени. Эта модель более эффективна, чем традиционное моделирование с высоким разрешением, но дает аналогичные и реалистичные результаты (Джонс, 2018). Нормализующие потоки также выполняли аналогичные функции, что и «Облачный мозг». После ввода в нейронную сеть начальных и конечных условий алгоритм может вычислить цепочку преобразований. Данные условия обычно возникают в течение короткого периода, в то время как цепочка может быть универсальной для долгосрочных сценариев, которые можно вывести и предсказать.

Однако разработка этих методов машинного обучения для прогнозирования физического мира по-прежнему остается сложной задачей. Машинное обучение функционирует «интуитивно» и может не следовать мировым правилам. При прогнозировании и создании модели климата ИИ не может учитывать различные физические факторы, включая гравитацию и градиент температуры , для повышения эффективности. Отсутствие правил в рамках может привести к нереалистичным результатам. Эти рамки могут быть негибкими и не адаптироваться к новой и разнообразной среде. «Облачный мозг» не может точно предсказать, когда температура будет высокой (Джонс, 2018). Как и « функция черного ящика » в SMART-Invest (Gomes et al., 2019), эти методы машинного обучения малопрозрачны. Людям сложно распознать и понять эти модели (Джонс, 2018). При нормализации потоков изучение точных биективных преобразований требует дополнительных усилий, и немногие пакеты имеют функции для явного выражения каждого преобразования. Некоторые конкретные преобразования могут нарушать законы физики, но у ученых нет возможности выявить и устранить проблему. Поэтому становится необходимым всестороннее обучение модели с надлежащим соблюдением законов физики. Однако, гелиофизика может быть сложной, и ученые не уверены в процессе ядерного синтеза внутри Солнца. В таких случаях не существует физического уравнения, описывающего процесс преобразования энергии, который влияет на количество солнечной энергии, которую люди могут извлечь. Без «свода правил» машинное обучение является оптимальным подходом для выявления закономерностей и корреляций (Джонс, 2018). При реализации нормализующих потоков в солнечной энергетике и гелиофизике некоторую степень свободы нейронной сети необходимо предоставить для обнаружения закономерностей в неизвестных режимах солнечной физики.

Пространственное планирование

Пространственное планирование относится к методам и подходам, используемым государственным сектором для влияния на распределение людей и деятельности в пространствах различного масштаба. Он охватывает широкий спектр деятельности, связанной с использованием и управлением землей и общественными пространствами, направленный на обеспечение устойчивого развития и улучшение искусственной и природной среды.

Пространственное планирование охватывает широкий спектр проблем, включая развитие городов, пригородов и сельских районов, землепользование, транспортные системы, планирование инфраструктуры и защиту окружающей среды. Он направлен на координацию различных аспектов политики и регулирования в области землепользования, жилья, общественных удобств и транспортной инфраструктуры, обеспечивая совместную работу этих элементов для содействия экономическому развитию, экологической устойчивости и качеству жизни сообществ во всех типах областей.

Этот термин часто используется в европейском контексте и может рассматриваться как комплексный подход, выходящий за рамки традиционного городского планирования и направленный на удовлетворение потребностей и стратегий развития более широкого спектра сред. Это предполагает принятие стратегических решений для руководства будущим развитием и пространственной организацией землепользования таким образом, чтобы оно было эффективным, устойчивым и справедливым.

Транспорт

Интеллектуальные транспортные системы (ИТС) стремятся повысить безопасность и сократить время в пути, одновременно сводя к минимуму выбросы парниковых газов для всех путешественников, хотя основное внимание уделяется водителям. ITS имеет две системы: одну для сбора/передачи данных, а другую для обработки данных. Сбор данных может быть достигнут с помощью видеокамер в оживленных местах, датчиков, которые обнаруживают различные детали, от местоположения определенных транспортных средств до сломанной инфраструктуры, и даже водителей, которые замечают аварию и используют мобильное приложение , такое как Waze , чтобы сообщить о ее местонахождении.

Передовые системы общественного транспорта (APTS) призваны сделать общественный транспорт более эффективным и удобным для пассажиров. Электронные способы оплаты позволяют пользователям пополнять свои смарт-карты на станциях и в Интернете. APTS передает транзитным службам информацию о текущем местоположении транспортных средств, чтобы сообщить пассажирам ожидаемое время ожидания на экранах станций и непосредственно на смартфоны клиентов. Усовершенствованные системы управления дорожным движением (ATMS) собирают информацию с помощью камер и других датчиков, которые собирают информацию о том, насколько перегружены дороги. Счетчики рампы регулируют количество автомобилей, въезжающих на автомагистрали, чтобы ограничить количество резервных копий. Светофоры используют алгоритмы для оптимизации времени в пути в зависимости от количества автомобилей на дороге. Электронные дорожные знаки передают информацию о времени в пути, объездах и авариях, которые могут повлиять на способность водителей добраться до пункта назначения.

С развитием потребительских подключений для ИТС требуется меньше инфраструктуры для принятия обоснованных решений. Карты Google используют краудсорсинг смартфонов для получения информации о дорожных условиях в режиме реального времени, что позволяет автомобилистам принимать решения на основе платных дорог, времени в пути и общего пройденного расстояния. Автомобили общаются со своими производителями для удаленной установки обновлений программного обеспечения при добавлении новых функций или исправлении ошибок. Tesla Motors даже использует эти обновления для повышения эффективности и производительности своих автомобилей. Эти соединения дают ITS возможность точно собирать информацию и даже передавать ее водителям без необходимости в какой-либо другой инфраструктуре.

Будущие системы ITS помогут обеспечить связь автомобиля не только с инфраструктурой, но и с другими автомобилями.

Утилиты

Электрическая сеть была спроектирована для передачи потребителям электроэнергии от электрогенераторов за ежемесячную плату в зависимости от использования. Домовладельцы устанавливают солнечные панели и большие батареи для хранения энергии, создаваемой этими панелями. . интеллектуальная сеть Для размещения новых источников энергии создается Вместо того, чтобы просто отправлять электроэнергию в дом для потребления различными приборами в доме, электричество может течь в любом направлении. Дополнительные датчики вдоль сети улучшат сбор информации и уменьшат время простоя во время перебоев в подаче электроэнергии. Эти датчики также могут напрямую передавать потребителям информацию о том, сколько энергии они используют и каковы будут затраты.

Вычислительная синергия

Активный сбор информации

Другой способ использования вычислительных стратегий — активный сбор информации. Использование технологий для измерения тонн информации и их сортировки является мощным инструментом во многих областях обучения. Например, НАСА использует спутники для получения данных SAR ( радар с синтезированной апертурой ) для составления карты поверхности Земли. Они способны осуществлять активный сбор данных видимых, ближних инфракрасных и коротковолновых инфракрасных частей электромагнитного спектра с помощью своих спутников. Эти результаты могут помочь выявить вырубку лесов и повышение уровня моря, а также помочь предсказать будущие изменения в различных экосистемах на основе длин волн и поляризации радара. НАСА сделало эти данные общедоступными, начиная с Sentinel-1a Европейского космического агентства (ESA) в 2014 году.

Видение и обучение

Компьютерное зрение и машинное обучение играют решающую роль в повышении устойчивости вычислений, предлагая инновационные решения сложных экологических проблем. Используя возможности этих технологий, исследователи и практики могут анализировать огромные объемы данных, извлекать значимые закономерности и разрабатывать устойчивые стратегии управления природными ресурсами и экосистемами.

Приложения

Охрана дикой природы

Компьютерное зрение используется для мониторинга и отслеживания видов, находящихся под угрозой исчезновения , например, для отслеживания перемещений животных в их естественной среде обитания или идентификации отдельных животных для популяционных исследований. Например, фотоловушки, оснащенные алгоритмами компьютерного зрения, могут автоматически обнаруживать и идентифицировать виды, что позволяет исследователям изучать их поведение, не беспокоя их. Алгоритмы машинного обучения могут анализировать эти данные, чтобы понять поведение животных, предпочтения среды обитания и динамику популяции, помогая природоохранным усилиям. Это полезно при оценке эффективности мер по сохранению и выявлении территорий, нуждающихся в защите.

Экологический мониторинг

Технологии дистанционного зондирования в сочетании с машинным обучением позволяют контролировать качество воздуха и воды, обнаруживать загрязняющие вещества и оценивать состояние окружающей среды. Например, спутниковые снимки можно использовать для мониторинга цветения водорослей в водоемах, которое может нанести вред водной жизни и здоровью человека. Методы компьютерного зрения могут анализировать спутниковые изображения для обнаружения вырубки лесов и незаконных вырубок. Выявив районы риска, защитники природы и власти могут принять меры по защите лесов и биоразнообразия.

Устойчивое сельское хозяйство

Компьютерное зрение используется для мониторинга состояния сельскохозяйственных культур, раннего выявления болезней и дефицита питательных веществ. Например, дроны, оснащенные мультиспектральными камерами, могут захватывать изображения сельскохозяйственных культур, которые затем анализируются с использованием алгоритмов машинного обучения для выявления проблем со здоровьем. Алгоритмы машинного обучения могут анализировать данные датчиков и дронов для оптимизации распределения ресурсов в сельском хозяйстве. Предоставляя информацию о состоянии почвы, уровне влажности и росте сельскохозяйственных культур, эти алгоритмы помогают фермерам принимать обоснованные решения для повышения производительности и устойчивости.

Смягчение последствий изменения климата

Модели машинного обучения могут анализировать исторические климатические данные для прогнозирования будущих климатических моделей. Эта информация имеет решающее значение для разработки стратегий по смягчению последствий изменения климата, таких как планирование на случай экстремальных погодных явлений и повышения уровня моря. Методы компьютерного зрения можно использовать для мониторинга возобновляемых источников энергии , таких как солнечные панели и ветряные турбины. Анализируя данные о производстве энергии и состоянии окружающей среды, эти методы помогают оптимизировать использование возобновляемых источников энергии и снизить зависимость от ископаемого топлива .

Значение

Принятие решений на основе данных

Компьютерное зрение и машинное обучение позволяют принимать решения на основе данных в рамках усилий по устойчивому развитию. Анализируя большие наборы данных, исследователи могут выявлять тенденции, прогнозировать результаты и делать осознанный выбор для сохранения природных ресурсов и защиты окружающей среды.

Эффективность и точность

Эти технологии повышают эффективность и точность экологического мониторинга и управления. Они могут обрабатывать данные быстрее и точнее, чем традиционные методы, что позволяет своевременно принимать меры для предотвращения ухудшения состояния окружающей среды.

Воздействие на сохранение

Обеспечивая более точный мониторинг и анализ, компьютерное зрение и машинное обучение активизируют усилия по сохранению, помогая защитить исчезающие виды, сохранить биоразнообразие и смягчить последствия изменения климата.

Устойчивое развитие

Результаты компьютерного зрения и машинного обучения способствуют развитию устойчивых практик в сельском, лесном хозяйстве и других отраслях. Оптимизируя использование ресурсов и сводя к минимуму воздействие на окружающую среду, эти технологии обеспечивают долгосрочную устойчивость.

Агентное моделирование

Агентное моделирование (ABM) имеет множество приложений в различных областях вычислительной устойчивости. В области охраны дикой природы и управления экосистемами ABM моделирует поведение и взаимодействие животных в экосистемах. Это отражает воздействие разрушения среды обитания или изменения климата на биоразнообразие. В устойчивом сельском хозяйстве ABM оценивает, как фермеры принимают решения о выборе сельскохозяйственных культур, землепользовании и внедрении устойчивых методов. Городское планирование получает выгоду от ABM за счет моделирования дорожного движения и моделей пешеходов, что потенциально позволяет оптимизировать системы общественного транспорта, сократить выбросы углекислого газа и улучшить качество городской жизни. Вот несколько примеров приложений ABM, которые предоставляют мощный инструмент для поиска устойчивых решений и помогают заинтересованным сторонам принимать обоснованные решения для устойчивого будущего.

Пример модели изменения климата в NetLogo. Пользователь может изменять несколько факторов, таких как CO2, облачность, яркость солнца, альбедо, и наблюдать, как они взаимодействуют, приводя к постепенному повышению глобальной температуры.

NetLogo — одно из ведущих и самых популярных программ ABM. Это позволяет исследователям проектировать, разрабатывать и реализовывать сложные ABM способом, который по-прежнему доступен для тех, кто не имеет опыта программирования. Благодаря этому он имеет широкое применение и использование в образовательных учреждениях, что может помочь учащимся развить более широкое понимание проблем устойчивого развития. Базовая версия NetLogo включает множество образцов моделей, в том числе 7 моделей в папке «Науки о Земле». Эти модели решают различные проблемы устойчивого развития, начиная от воздействия выбросов углекислого газа на изменение климата и заканчивая просачиванием нефти через проницаемые почвы во время разливов нефти.

Мобильные приложения

Мобильные приложения все чаще используются в проектах гражданской науки по мониторингу и сохранению биоразнообразия . Эти приложения позволяют волонтерам легко записывать и делиться наблюдениями за видами, фотографиями и другими экологическими данными прямо с поля с помощью своих смартфонов. Используя возможности мобильных технологий и активное гражданское сообщество, эти проекты могут собрать большие объемы ценных данных о биоразнообразии в различных условиях экономически эффективным способом по сравнению с традиционными методами опросов, проводимыми только профессиональными учеными.

Некоторые популярные примеры мобильных приложений для мониторинга биоразнообразия включают iNaturalist, eBird и Merlin. iNaturalist позволяет пользователям записывать наблюдения, делиться ими с другими натуралистами и вносить вклад в науку о биоразнообразии, делясь результатами с хранилищами научных данных. eBird , управляемый Корнельской лабораторией орнитологии, позволяет наблюдателям за птицами вводить свои наблюдения и получать доступ к инструментам, которые делают наблюдение за птицами более полезным, таким как управление списками, фотографиями и аудиозаписями, а также просмотр карт распространения видов в реальном времени. Мерлин , также из Корнельской лаборатории, помогает пользователям идентифицировать виды птиц с помощью визуального распознавания с помощью искусственного интеллекта и фильтрации на основе вопросов, а также вносит данные о наблюдениях в базу данных eBird. Эти приложения демонстрируют эффективные методы проектирования, которые позволили им собрать важные данные о биоразнообразии посредством участия общественности.

См. также

• Карла Гомес , пионер вычислительной устойчивости
• Экологическая информатика
• eBird
• Зеленые вычисления
• Институт вычислительной устойчивости (ICS)
• Охрана природы
• Служба охраны рыбы и дикой природы США
• Геологическая служба США

Внешние ссылки

• Вычислительная устойчивость
• Институт вычислительной устойчивости (ICS)