به گزارش سرویس ترجمه پردیسان آنلاین، بلایای طبیعی در ۱۵ سال گذشته سالانه حدود ۱۷۰ میلیارد یورو خسارت به زیرساخت‌های جهانی وارد کرده‌اند و طبق گزارش مؤسسه دلویت (Deloitte) این رقم تا سال ۲۰۵۰ به بیش از ۴۰۰ میلیارد یورو خواهد رسید. این افزایش چشمگیر، نتیجه مستقیم تغییرات اقلیمی و شدت‌یافتن پدیده‌هایی همچون طوفان، سیل، زلزله و آتش‌سوزی‌های گسترده است، چراکه با توجه به پیش‌بینی‌ها، وقوع این بلایا در سال‌های آینده با فراوانی بیشتری همراه خواهد بود.
در این میان، ابزارهای هوش مصنوعی (AI) به‌عنوان راهکاری نوین برای کاهش خسارات زیرساختی مطرح شده‌اند. طبق گزارش «هوش مصنوعی برای تاب‌آوری زیرساخت‌ها» که در آگوست ۲۰۲۵ توسط مرکز پیشرفت پایدار مؤسسه دلویت منتشر شده است، استفاده از این فناوری می‌تواند تا سال ۲۰۵۰ سالانه حدود ۶۵ میلیارد یورو صرفه‌جویی مستقیم در هزینه‌های ناشی از بلایای طبیعی ایجاد کند و با پیشرفت‌های بیشتر در این حوزه، میزان صرفه‌جویی می‌تواند از ۹۰ میلیارد یورو نیز فراتر رود. این گزارش با تحلیل روندهای اقلیمی، اقتصادی و فناوری، چهارچوبی برای استفاده راهبردی از هوش مصنوعی در طراحی، مدیریت و بازسازی زیرساخت‌های حیاتی ارائه می‌دهد.
چه خطراتی زیرساخت‌ها را تهدید می‌کنند؟
بلایای طبیعی همچون زلزله، طوفان، سیل و آتش‌سوزی‌های جنگلی بیشترین آسیب را به زیرساخت‌ها وارد می‌کنند. طبق برآوردها، تنها ۲۵ درصد از خسارات ناشی از این بلایا تحت پوشش بیمه قرار دارند و بخش عمده‌ای از هزینه‌ها بر دوش دولت‌ها و جوامع باقی می‌ماند.
سازمان جهانی هواشناسی اعلام کرده است که بلایای اقلیمی در چهار دهه گذشته بیش از ۸۰ درصد افزایش پیدا کرده‌اند و این روند در سال‌های اخیر شتاب بیشتری گرفته است. تنها در سال ۲۰۲۴، مجموع خسارات اقتصادی ناشی از بلایای طبیعی در سطح جهانی به بیش از ۳۱۸ میلیارد دلار رسید که از این میزان، حدود ۵۷ درصد معادل ۱۸۱ میلیارد دلار، بدون پوشش بیمه باقی مانده است.
طوفان‌ها به‌ویژه در مناطق ساحلی و نیمه‌گرمسیری، سهم قابل‌توجهی در این خسارات دارند. برای مثال، طوفان‌های هلن و میلتون در سال ۲۰۲۴ به‌تنهایی بیش از ۴۰ میلیارد دلار خسارت به زیرساخت‌های شهری وارد کردند. در کنار طوفان‌ها، سیلاب‌های شهری، آتش‌سوزی‌های جنگلی و دمای‌های بی‌سابقه نیز به‌عنوان عوامل مخرب زیرساختی شناخته می‌شوند که زیرساخت‌های حیاتی همچون جاده‌ها، پل‌ها، خطوط انتقال انرژی و ساختمان‌های عمومی را تهدید می‌کنند. آتش‌سوزی‌های گسترده در آمریکای شمالی و جنوب اروپا، نه‌تنها جنگل‌ها بلکه شبکه‌های انرژی و حمل‌ونقل شهری و جاده‌ای را نیز در معرض نابودی قرار داده‌اند.
در سال ۲۰۲۵، مجموع خسارات ناشی از بلایای طبیعی ۱۶۲ میلیارد دلار برآورد شده که بخش قابل‌توجهی از آن مربوط به زیرساخت‌های آسیب‌دیده است. با وجود رشد نسبی پوشش بیمه در کشورهای توسعه‌یافته، شکاف بیمه‌ای جهانی همچنان قابل‌توجه است؛ به‌طوری‌که در بسیاری از کشورهای کم‌درآمد، زیرساخت‌ها هیچ‌گونه پوشش بیمه‌ای ندارند. این وضعیت موجب شده است بار مالی بازسازی و جبران خسارات بر دوش دولت‌ها، شهرداری‌ها و جوامع محلی قرار گیرد.
نقش هوش مصنوعی در تاب‌آوری زیرساخت‌ها
هوش مصنوعی با توانایی تحلیل داده‌های حجیم و پیچیده، شناسایی الگوهای پنهان و تولید پیش‌بینی‌های دقیق، به‌عنوان ابزاری راهبردی برای تقویت تاب‌آوری زیرساخت‌های شهری در برابر بلایای طبیعی معرفی شده است. این فناوری با بهره‌گیری از الگوریتم‌های یادگیری ماشین و مدل‌های آماری پیشرفته، می‌تواند داده‌هایی از منابع متنوع همچون تصاویر ماهواره‌ای، حسگرهای محیطی، داده‌های اقلیمی و اطلاعات مکانی را پردازش و سناریوهای بحرانی را شبیه‌سازی کند.
شبیه‌سازی‌ها به تصمیم‌گیرندگان شهری امکان می‌دهد تا پیش از وقوع بحران، نقاط آسیب‌پذیر را شناسایی کنند و اقدامات پیشگیرانه مؤثرتری را ارائه دهند. کاربردهای هوش مصنوعی در زیرساخت‌ها محدود به یک مرحله خاص نیست، بلکه در تمام چرخه عمر زیرساخت‌ها نقش‌آفرینی می‌کند.
مرحله برنامه‌ریزی شهری
در مرحله برنامه‌ریزی، مدل‌های پیش‌بینی مبتنی بر هوش مصنوعی با تحلیل داده‌هایی همچون ارتفاع زمین، میزان اشباع خاک، تراکم جمعیت و الگوهای اقلیمی، به انتخاب مکان‌های مناسب برای احداث زیرساخت‌ها کمک می‌کنند. این مدل‌ها با کمک الگوریتم‌های یادگیری ماشین می‌توانند مناطق پرخطر را شناسایی کنند و پیشنهادهایی برای تغییر کاربری زمین یا مقاوم‌سازی سازه‌ها ارائه دهند.
یکی از فناوری‌های کلیدی در این مرحله، «دوقلوهای دیجیتال» است؛ مدل‌های مجازی پویا از زیرساخت‌های واقعی که امکان شبیه‌سازی تأثیر بلایای طبیعی همچون سیل، زلزله یا موج گرما را فراهم می‌سازند. این شبیه‌سازی‌ها به تصمیم‌گیرندگان شهری کمک می‌کنند تا طراحی‌ها را با هدف کاهش آسیب‌ها بهینه‌سازی کنند و منابع را به‌صورت هدفمند تخصیص دهند.
شهر بارسلونا در اسپانیا یکی از پیشگامان استفاده از دوقلوهای دیجیتال در برنامه‌ریزی زیرساختی است. مرکز ابررایانه‌ای بارسلونا بستر گسترده‌ای بر پایه فناوری برای شبیه‌سازی دقیق زیرساخت‌های شهری فراهم کرده است. در این مرکز، مدل‌های مجازی از ساختمان‌ها، پل‌ها، شبکه‌های حمل‌ونقل، تأسیسات انرژی و خدمات عمومی ایجاد شده‌اند که با داده‌های زنده از سامانه‌های اطلاعات مکانی (GIS)، حسگرهای محیطی، نقشه‌های توپوگرافی و داده‌های اقلیمی تغذیه می‌شوند. مدل‌ها به‌صورت پویا به‌روزرسانی می‌شوند و امکان تحلیل لحظه‌ای و آینده‌نگر را فراهم می‌کنند.
ابررایانه MareNostrum قلب پردازشی این سامانه است که با توان محاسباتی بالا، داده‌های چندمنبعی را پردازش و سناریوهای مختلف بلایای طبیعی را شبیه‌سازی می‌کند. این شبیه‌سازی‌ها شامل پیش‌بینی تأثیر سیلاب‌ها بر شبکه مترو، تحلیل آسیب‌پذیری ساختمان‌ها در برابر زلزله و ارزیابی پایداری پل‌ها در شرایط طوفانی هستند. الگوریتم‌های یادگیری ماشین به‌کاررفته در این سامانه، با تحلیل الگوهای تاریخی و داده‌های محیطی، رفتار زیرساخت‌ها را در شرایط بحرانی مدل‌سازی و نقاط ضعف را شناسایی می‌کنند.
دوقلوهای دیجیتال بارسلونا قابلیت تعامل با سامانه‌های شهری را نیز دارند. به‌عنوان مثال، داده‌های مربوط به اشباع خاک، ارتفاع زمین و تراکم ساختمانی به‌صورت لحظه‌ای در اختیار مدیران شهری قرار می‌گیرد تا تصمیم‌گیری‌های مبتنی بر شواهد انجام شود. این سامانه همچنین امکان ارائه توصیه‌های عملی برای تغییر کاربری زمین، مقاوم‌سازی سازه‌ها و طراحی مسیرهای تخلیه اضطراری را فراهم می‌سازد.
یکی از کاربردهای عملی این فناوری در بارسلونا، بررسی پوشش شبکه مترو، موقعیت ایستگاه‌های شارژ خودروهای برقی، دسترسی به کتابخانه‌ها و شناسایی پناهگاه‌های اقلیمی در شرایط اضطراری است. این اطلاعات به‌صورت تعاملی از طریق داشبوردهای مدیریتی و اپلیکیشن‌های شهری در اختیار مدیران و شهروندان قرار می‌گیرد. نتیجه این رویکرد، بهینه‌سازی منابع شهری، ارتقای تاب‌آوری اجتماعی و افزایش کیفیت زندگی در رویارویی با مخاطرات طبیعی است.
مرحله پیشگیری از وقوع بحران
هوش مصنوعی در مرحله پیشگیری از بلایای طبیعی، نقش حیاتی در ارتقای دقت پیش‌بینی‌ها و تسریع واکنش‌های اضطراری ایفا می‌کند. مدل‌های یادگیری ماشین با توانایی پردازش حجم عظیمی از داده‌های چندمنبعی از جمله داده‌های اقلیمی، تصاویر ماهواره‌ای، داده‌های حسگرهای زمینی و اطلاعات تاریخی می‌توانند الگوهای پنهان و روابط پیچیده میان عوامل محیطی را شناسایی کنند. این تحلیل‌ها به تولید پیش‌بینی‌های دقیق‌تر از وقوع بلایا منجر می‌شود و امکان فعال‌سازی زودهنگام سامانه‌های هشدار را فراهم می‌سازد. هشدارهای به‌موقع می‌تواند جان انسان‌ها را نجات دهد و از تخریب زیرساخت‌های حیاتی جلوگیری کند.
یکی از نمونه‌های برجسته این کاربرد، سامانه پیش‌بینی آتش‌سوزی‌های جنگلی در ایالت کالیفرنیا است که توسط ناسا توسعه یافته است. این ایالت به‌دلیل اقلیم خشک، پوشش گیاهی متراکم و بادهای موسمی، در معرض خطر دائمی آتش‌سوزی‌های گسترده قرار دارد. سامانه ناسا با بهره‌گیری از داده‌های ماهواره‌ای، به‌همراه داده‌های زمینی شامل دمای هوا، رطوبت خاک، نوع پوشش گیاهی و سرعت باد، نقاط بالقوه آغاز آتش‌سوزی را شناسایی می‌کند. این داده‌ها به‌صورت بدون درنگ از طریق شبکه‌های حسگر و پایگاه‌های داده اقلیمی جمع‌آوری و به مدل‌های یادگیری ماشین تغذیه می‌شوند.
مدل‌های مورد استفاده در این سامانه شامل شبکه‌های عصبی پیچشی برای تحلیل تصاویر و شبکه‌های عصبی بازگشتی برای پردازش داده‌های زمانی هستند. این مدل‌ها با آموزش داده‌های تاریخی آتش‌سوزی‌ها، می‌توانند الگوهای تکرارشونده را شناسایی و احتمال وقوع آتش‌سوزی در مناطق خاص را با دقت بالا پیش‌بینی کنند. خروجی این مدل‌ها به‌صورت نقشه‌های خطر، شاخص‌های هشدار و توصیه‌های عملیاتی در اختیار تیم‌های آتش‌نشانی، مراکز فرماندهی بحران و اپلیکیشن‌های هشدار عمومی قرار می‌گیرد.
سامانه پیش‌بینی ناسا نه‌تنها در شناسایی نقاط پرخطر مؤثر بوده، بلکه به‌طور مستقیم در طراحی اقدامات پیشگیرانه هدفمند نقش داشته است. برای مثال، تیم‌های آتش‌نشانی با استفاده از این داده‌ها، می‌توانند منابع خود را به‌صورت بهینه تخصیص دهند، مسیرهای تخلیه را از پیش تعیین کنند و عملیات پاک‌سازی پوشش گیاهی خشک را در مناطق حساس انجام دهند. هشدارهای زودهنگام صادرشده از این سامانه به شهروندان امکان می‌دهد تا پیش از گسترش آتش‌سوزی، اقدامات ایمنی لازم را انجام دهند.
مرحله بازسازی و ارزیابی خسارت
پس از وقوع بحران، هوش مصنوعی به‌عنوان ابزاری تحول‌آفرین در مدیریت بحران و تخصیص منابع وارد عمل می‌شود. برخلاف روش‌های سنتی مراحل بازسازی و ارزیابی خسارت که متکی بر بازدیدهای میدانی، گزارش‌های دستی و ارزیابی‌های زمان‌بر هستند، فناوری‌های نوین مبتنی بر یادگیری ماشین و بینایی ماشین امکان تحلیل سریع، دقیق و خودکار داده‌های محیطی را فراهم کرده‌اند. این ابزارها با پردازش داده‌های چندمنبعی از جمله تصاویر ماهواره‌ای، داده‌های حسگرهای زمینی، نقشه‌های GIS و اطلاعات پیش‌حادثه می‌توانند میزان خسارت وارده به زیرساخت‌ها را در کمترین زمان ممکن ارزیابی و اولویت‌های بازسازی را مشخص کنند.
یکی از نمونه‌های موفق این رویکرد، پروژه ارزیابی خسارت پس از آتش‌سوزی گسترده در شهر لاهاینا در ایالت هاوایی است. در این حادثه، شرکت مسئول با بهره‌گیری از ترکیب فناوری سامانه‌های اطلاعات جغرافیایی و مدل‌های یادگیری عمیق، سامانه‌ای توسعه داد که قادر بود تصاویر ماهواره‌ای قبل و بعد از حادثه را تحلیل و میزان آسیب به ساختمان‌ها، جاده‌ها و تأسیسات حیاتی را به‌صورت خودکار طبقه‌بندی کند. این سامانه از داده‌های ماهواره‌ای با وضوح بالا استفاده می‌کرد و تغییرات ساختاری ناشی از آتش‌سوزی را با الگوریتم‌های بینایی ماشین تشخیص می‌داد.
مدل‌های مورد استفاده در این سامانه شامل شبکه‌های عصبی پیچشی چندلایه بودند که با داده‌های برچسب‌خورده از بلایای گذشته آموزش دیده‌اند. این مدل‌ها تصاویر را به‌صورت پیکسل‌به‌پیکسل تحلیل و وضعیت هر ساختمان را در یکی از سه دسته «سالم»، «آسیب‌دیده» یا «تخریب‌شده» طبقه‌بندی می‌کردند. خروجی این تحلیل‌ها به‌صورت نقشه‌های حرارتی و داشبوردهای مدیریتی در اختیار سازمان‌های امدادی، شهرداری‌ها و شرکت‌های بیمه قرار گرفت تا تصمیم‌گیری‌های بازسازی بر اساس داده‌های دقیق و به‌روز انجام شود.
مزیت اصلی این سامانه در سرعت و دقت آن بود. در حالی‌که ارزیابی دستی خسارات در چنین حوادثی ممکن است هفته‌ها به طول انجامد، مدل‌های هوش مصنوعی توانستند در عرض چند ساعت، کل منطقه آسیب‌دیده را تحلیل و گزارش‌های قابل‌اتکا تولید کنند. این امر موجب شد تا تخصیص منابع، اعزام تیم‌های تعمیراتی و برنامه‌ریزی بازسازی با کارایی بالاتری انجام شود و هزینه‌های عملیاتی به‌طور چشمگیری کاهش پیدا کند.
تجربه لاهاینا نشان داد که استفاده از هوش مصنوعی در مرحله بازسازی نه‌تنها سرعت پاسخ‌گویی را افزایش می‌دهد، بلکه دقت تصمیم‌گیری‌ها را نیز ارتقا می‌بخشد. این فناوری با تبدیل داده‌های خام به بینش‌های عملیاتی، زیرساخت‌های شهری را در مسیر بازگشت به شرایط عادی هدایت و تاب‌آوری جوامع را در برابر بحران‌های آینده تقویت می‌کند.
چالش‌های توسعه هوش مصنوعی در زیرساخت‌ها
با وجود مزایای چشمگیر هوش مصنوعی در افزایش تاب‌آوری زیرساخت‌ها، توسعه و پیاده‌سازی این فناوری با چالش‌های فنی، مالی و حقوقی قابل‌توجهی همراه است. نخستین مانع، هزینه‌های بالای سرمایه‌گذاری در زیرساخت‌های مبتنی بر فناوری است. اجرای سامانه‌های هوش مصنوعی نیازمند تجهیزات پردازشی قدرتمند، سرورهای ابری، شبکه‌های حسگر، نرم‌افزارهای تحلیلی پیشرفته و نیروی انسانی متخصص در حوزه‌های داده‌کاوی، یادگیری ماشین و مهندسی زیرساخت است. این الزامات، به‌ویژه در کشورهای در حال توسعه، می‌تواند مانع جدی در مسیر بهره‌برداری از ظرفیت‌های هوش مصنوعی باشد.
چالش دوم، مسائل حقوقی و اخلاقی مرتبط با داده‌هاست. سامانه‌های هوش مصنوعی برای عملکرد دقیق، نیازمند دسترسی به حجم وسیعی از داده‌های شهری، اقلیمی، جمعیتی و زیرساختی هستند. این داده‌ها شامل اطلاعات حساس و شخصی هستند که استفاده از آن‌ها باید با رعایت اصول حریم خصوصی، شفافیت الگوریتمی و امنیت اطلاعات همراه باشد.
از سوی دیگر، کیفیت داده‌ها نقش تعیین‌کننده‌ای در اثربخشی مدل‌های هوش مصنوعی دارد. اگر داده‌های ورودی ناقص، ناهماهنگ یا نادرست باشند، خروجی مدل‌ها نیز غیرقابل اعتماد خواهد بود. این مسئله به‌ویژه در شرایط بحرانی، همچون وقوع بلایای طبیعی، می‌تواند منجر به تصمیم‌گیری‌های اشتباه و افزایش خسارات شود. استانداردسازی داده‌ها، اعتبارسنجی منابع و به‌روزرسانی مستمر پایگاه‌های اطلاعاتی از الزامات حیاتی در توسعه سامانه‌های زیرساختی هوشمند است.
برای غلبه بر این چالش‌ها، سازمان‌های مالی، شرکت‌های بیمه، مهندسان، قانون‌گذاران و اپراتورهای زیرساختی باید در قالب کنسرسیوم‌های تخصصی، به طراحی چهارچوب‌های مشترک برای توسعه هوش مصنوعی بپردازند. این همکاری می‌تواند شامل یکپارچه‌سازی هوش مصنوعی در مراحل طراحی و برنامه‌ریزی زیرساخت‌ها، تدوین استانداردهای فنی و حقوقی و ایجاد بسترهای آموزشی برای تربیت نیروی انسانی متخصص باشد.
تأمین مالی این پروژه‌ها باید از طریق ابزارهای نوآورانه همچون اوراق قرضه سبز، سرمایه‌گذاری مشترک دولتی-خصوصی و صندوق‌های تاب‌آوری اقلیمی صورت گیرد. اجرای راهکارهای ترکیبی با فناوری‌های مکمل همچون اینترنت اشیا، کلان‌داده و سامانه‌های اطلاعات مکانی می‌تواند اثربخشی هوش مصنوعی را در مدیریت زیرساخت‌ها به‌طور چشمگیری افزایش دهد.
