La sostenibilidad computacional es un campo emergente que intenta equilibrar los recursos sociales, económicos y ambientales para el bienestar futuro de la humanidad utilizando métodos de los campos de las matemáticas , la informática y las ciencias de la información . [1] [2] La sostenibilidad en este contexto se refiere a la capacidad del mundo para sostener los sistemas biológicos, sociales y ambientales a largo plazo. Utilizando el poder de las computadoras para procesar grandes cantidades de información, los algoritmos de toma de decisiones asignan recursos basándose en información en tiempo real. [3] Las aplicaciones avanzadas en este campo están muy extendidas en diversas áreas. Por ejemplo, se crean técnicas de inteligencia artificial y aprendizaje automático para promover la conservación de la biodiversidad y la protección de especies a largo plazo . [4] [5] Las redes inteligentes implementan recursos renovables y capacidades de almacenamiento para controlar la producción y el gasto de energía. [6] Las tecnologías de sistemas de transporte inteligentes pueden analizar las condiciones de las carreteras y transmitir información a los conductores para que puedan tomar decisiones más inteligentes y beneficiosas para el medio ambiente basadas en información de tráfico en tiempo real. [7] [8]
El campo de la sostenibilidad computacional ha sido motivado por Nuestro Futuro Común , un informe de 1987 de la Comisión Mundial sobre Medio Ambiente y Desarrollo sobre el futuro de la humanidad. [9] Más recientemente, la investigación sobre sostenibilidad computacional también ha sido impulsada por los objetivos de desarrollo sostenible de las Naciones Unidas , un conjunto de 17 objetivos para la sostenibilidad del bienestar humano económico, social y ambiental en todo el mundo. [10] Los investigadores en sostenibilidad computacional se han centrado principalmente en abordar problemas en áreas relacionadas con el medio ambiente (por ejemplo, conservación de la biodiversidad ), infraestructura energética sostenible y recursos naturales , y aspectos sociales (por ejemplo, crisis globales de hambre ). [11] [12] [13] [4] Los aspectos computacionales de la sostenibilidad computacional aprovechan técnicas de las matemáticas y la informática, en las áreas de inteligencia artificial , aprendizaje automático , algoritmos , teoría de juegos , diseño de mecanismos , ciencias de la información , optimización (incluyendo optimización combinatoria ), sistemas dinámicos y sistemas multiagente . [11] [5]
Si bien el surgimiento formal de la sostenibilidad computacional a menudo se remonta a los años 2008 y 2009, marcados por el inicio de un premio financiado por la NSF y conferencias y talleres específicos, la exploración de métodos computacionales para abordar cuestiones de sostenibilidad ambiental y social es anterior a este período. . El uso de modelos estadísticos y matemáticos para problemas relacionados con la sostenibilidad tiene una larga historia, paralela a la evolución de la propia tecnología informática. Un ejemplo notable son los primeros intentos de modelización climática, que se vieron limitados por los limitados recursos informáticos disponibles en ese momento, lo que requirió modelos simplificados.
En el ámbito de la inteligencia artificial, particularmente dentro del aprendizaje automático, en la década de 1990 se realizaron esfuerzos de investigación que abordaron el modelado ecológico y la gestión de aguas residuales , entre otras cuestiones de sostenibilidad. Este trabajo continuó hasta la década de 2000, con el apoyo de grupos como el grupo de trabajo "Aprendizaje automático para el medio ambiente" establecido por el Centro Nacional de Análisis y Síntesis Ecológicos en 2006. La investigación sobre optimización para ayudar a los desafíos de sostenibilidad, como el diseño de reservas de vida silvestre, puede ser se remonta a los años 1980.
A principios de la década de 2000 también se produjo una creciente preocupación por el impacto ambiental de la propia tecnología informática, y las tecnologías de la información y las comunicaciones (TIC) ecológicas ganaron atención entre las empresas de TIC . Este interés se extendió más allá de los efectos ambientales inmediatos de la informática para considerar impactos de segundo orden y de orden superior, como el potencial de las TIC para reducir la huella de carbono de los viajes aéreos a través de conferencias en línea o para optimizar las rutas de entrega para reducir las emisiones de CO 2 . Desde entonces , los esfuerzos de política internacional, particularmente por parte de la Organización para la Cooperación y el Desarrollo Económicos (OCDE), se han centrado en un marco que reconozca estos efectos de múltiples niveles de las TIC, un enfoque que continúa hoy.
Antes de la conferencia de la OCDE de 2008, los matemáticos propusieron utilizar su experiencia para combatir el cambio climático, lo que indica un reconocimiento creciente del papel de la comunidad investigadora en la sostenibilidad. Este período también vio el establecimiento del Instituto para la Sostenibilidad Computacional en 2008 y el lanzamiento de la Conferencia Internacional sobre Sostenibilidad Computacional en 2009, momentos cruciales que hicieron avanzar significativamente el campo. La inclusión de temas de sostenibilidad en las principales conferencias sobre IA integró aún más la sostenibilidad en el discurso científico e informático más amplio.
El campo de la sostenibilidad computacional ha seguido expandiéndose, con iniciativas importantes como el premio Expediciones en Computación centradas en la sostenibilidad otorgado a la Universidad de Minnesota en 2010, con el objetivo de avanzar en la comprensión del clima a través de la extracción y visualización de datos. El establecimiento de pistas y premios relacionados con la sostenibilidad en varias conferencias, junto con financiación específica por parte de organizaciones como la NSF, subraya la creciente importancia de la informática para abordar los desafíos de la sostenibilidad.
La conservación de la biodiversidad se centra principalmente en preservar la diversidad de especies, la utilización sostenible de especies y ecosistemas y el mantenimiento de sistemas que sustentan la vida y procesos ecológicos esenciales. La conservación de especies es un objetivo de sostenibilidad importante para prevenir la pérdida de biodiversidad . A medida que la urbanización se expande por todo el mundo, amenaza la vida silvestre dentro y alrededor de las ciudades. Un esfuerzo hacia la conservación ha incluido la creación de corredores de vida silvestre que se utilizan para conectar poblaciones de vida silvestre que han quedado aisladas de la fragmentación del hábitat provocada por el hombre . La construcción de estos corredores de vida silvestre es un desafío debido a las barreras entre los hábitats y los propietarios (Zellmer, Goto). [14] Mover especies para conectar áreas centrales de conservación a través de corredores resulta en un problema de optimización. Aquí es donde la tecnología puede ayudar, no sólo a optimizar los corredores sino también en términos de ayudar con el análisis de costo-beneficio. Además, la inteligencia artificial sirve como herramienta en la batalla en curso contra la pérdida de biodiversidad y actividades ilegales como la caza furtiva . En los últimos años se han realizado importantes investigaciones sobre estrategias de seguimiento de la vida silvestre para comprender mejor los patrones y mejorar la seguridad para combatir la caza furtiva (Gomes). [15] Esta integración de la IA en los esfuerzos de conservación de la vida silvestre representa un importante paso adelante en los esfuerzos colectivos para salvaguardar y proteger los ecosistemas naturales.
Las Naciones Unidas enumeran diecisiete Objetivos de Desarrollo Sostenible (ODS) diferentes para proteger el planeta, todos los cuales son importantes de diferentes maneras. El Objetivo de Desarrollo Sostenible 14 enfatiza la protección de la vida bajo el agua. El Objetivo de Desarrollo Sostenible 15 hace referencia a la protección de la vida en la tierra. Si bien la tecnología ha favorecido históricamente a los sectores rentables, su potencial para revolucionar la sostenibilidad ambiental, particularmente en la conservación de la vida silvestre, sigue en gran medida sin explotar. Al examinar los desafíos, las contribuciones y las contribuciones potenciales que presentan los avances tecnológicos para lograr los Objetivos de Desarrollo Sostenible 14 y 15, se pueden aprovechar las innovaciones computacionales para proteger la vida bajo el agua y en la tierra.
La aplicación de técnicas de aprendizaje automático para abordar los desafíos en la predicción y gestión de incendios en los bosques boreales de Alaska . Los estudios han subrayado la importancia de adaptar las estrategias existentes de manejo de incendios a la evolución del panorama de incendios, especialmente considerando el impacto del cambio climático en la frecuencia de los incendios. Al incorporar diversas variables como topografía , vegetación y factores meteorológicos , la investigación se alinea con el paradigma de sostenibilidad computacional, que busca aprovechar modelos computacionales para prácticas ambientales sostenibles.
Existe un marco novedoso de aprendizaje automático para la predicción de incendios, que representa una contribución significativa a la sostenibilidad computacional en el campo del monitoreo ambiental. El modelo, centrado en la identificación de igniciones específicas que probablemente provoquen grandes incendios, proporciona una alternativa más sencilla e interpretable a los modelos de predicción más complejos existentes. El énfasis en dos variables clave, el déficit de presión de vapor (VPD) y la fracción de abeto, refleja el compromiso del artículo con enfoques computacionales prácticos y procesables en la evaluación ambiental. La evaluación de cómo la gestión activa de incendios influye en los regímenes de incendios destaca el papel de la intervención humana en la configuración de los resultados ambientales, lo que ilustra el potencial de la sostenibilidad computacional para la toma de decisiones informadas en el seguimiento y la evaluación ambientales.
Los investigadores de sostenibilidad computacional han avanzado técnicas para combatir la pérdida de biodiversidad que enfrenta el mundo durante la actual sexta extinción . [16] Los investigadores han creado métodos computacionales para mapear geoespacialmente la distribución, los patrones de migración y los corredores de vida silvestre de las especies, que permiten a los científicos cuantificar los esfuerzos de conservación y recomendar políticas efectivas. [11] [13] [17] [5]
Utilizar “energía asequible y limpia” es uno de los diecisiete Objetivos de Desarrollo Sostenible (ODS) a nivel mundial (Gomes et al., 2019).
El Sol, como única estrella del sistema solar que alberga planetas, puede proporcionar energía limpia y renovable para satisfacer las demandas de una población en aumento. A diferencia de los combustibles fósiles , el Sol no genera contaminantes ni gases de efecto invernadero . Por lo tanto, depender de la energía solar puede reducir la huella de carbono , lo que mitiga el calentamiento global y la destrucción de los ecosistemas. El Sol vivirá aproximadamente 5 mil millones de años más, lo que servirá como una fuente de energía estable y a largo plazo. Si los humanos pueden extraer y convertir energía de manera eficiente, tanto el medio ambiente como la economía pueden beneficiarse, contribuyendo a la sostenibilidad.
Sin embargo, las energías renovables , incluidas la eólica y la solar, no son despachables. Los seres humanos no pueden controlar estas fuentes de energía ni predecir la producción de energía de antemano. Si se utilizan energías renovables, los científicos deben buscar diferentes fuentes de compensación, que normalmente se vinculan con combustibles fósiles que se consideran insostenibles. Alternativamente, la gente puede almacenar la energía de estas fuentes renovables por la diferencia, lo que puede resultar caro.
Los científicos deben considerar diferentes factores al diseñar el sistema de almacenamiento, incluida la regulación de frecuencia , el cambio de energía, el cambio de picos y la energía de respaldo (Gomes et al., 2019). Decidir si utilizar diversas fuentes de energía o almacenar energía para prepararse para situaciones inesperadas será difícil para los científicos. Los enfoques para cada estrategia son complicados. Los científicos han convertido este escenario en un problema de optimización que involucra tres "temas amplios de sostenibilidad": simulación, aprendizaje automático y ciencia ciudadana (Gomes et al., 2019).
El cambio climático y las energías renovables están interrelacionados. Las fuentes de energía renovables como el sol y el viento dependen en gran medida del clima. En un día nublado, la gente obtendrá menos energía solar debido al blindaje. El índice UV también afectará la producción de energía solar. Por el contrario, el uso de energía renovable a gran escala beneficia al medio ambiente, ya que reduce el calentamiento global y las condiciones climáticas extremas. Por lo tanto, resulta esencial construir un modelo climático preciso y predecir el tiempo para la producción de energía renovable.
En el artículo de Jones, explora el uso de la inteligencia artificial (IA) para simular el clima (2018). Los principales problemas del uso de computadoras para la modelización climática surgen de la falta de detalles y de la lentitud de la simulación. Los diferentes enfoques informáticos también pueden dar lugar a resultados diferentes e inexactos. Por ejemplo, un modelo predice que la temperatura puede aumentar más de tres veces que el otro modelo si el nivel de dióxido de carbono se duplica en la atmósfera. Por lo tanto, los científicos incorporan marcos de aprendizaje automático en los modelos climáticos existentes. Esta combinación permite a la computadora discernir de manera eficiente detalles más imperceptibles que las computadoras tradicionales, incluso con ligeras incertidumbres y desviaciones, para brindar simulaciones y predicciones precisas (Jones, 2018). Al mismo tiempo, las técnicas de aprendizaje automático, incluida la normalización de flujos, pueden inferir patrones y comportamientos a largo plazo a partir de datos de un período corto.
Las personas pueden aprovechar la ejecución de simulaciones a pequeña escala que son más eficientes para las predicciones, especialmente con modelos característicos. Por ejemplo, la información sobre cómo evolucionan las nubes en una región de unos pocos kilómetros durante un período corto será suficiente para que "Cloud Brain", un código de aprendizaje profundo , infiera el cambio climático debido al aumento de las emisiones de dióxido de carbono. Luego, el marco puede determinar el modelo climático a gran escala y durante largos períodos. Este modelo es más eficiente que las simulaciones tradicionales de alta resolución, pero ofrece resultados similares y realistas (Jones, 2018). La normalización de los flujos también realizó funciones similares a las del "Cerebro de la Nube". Después de ingresar las condiciones iniciales y finales en la red neuronal , el algoritmo puede descubrir una cadena de transformaciones. Las condiciones dadas generalmente provienen de un período corto, mientras que la cadena puede ser universal para inferir y predecir escenarios a largo plazo.
Sin embargo, desarrollar estas técnicas de aprendizaje automático para predecir el mundo físico sigue siendo un desafío. El aprendizaje automático funciona de forma "intuitiva" y puede que no siga las reglas del mundo. Al predecir y establecer el modelo climático, la IA no puede considerar diferentes factores en física, incluida la gravedad y el gradiente de temperatura , para ser eficiente. La falta de reglas en el marco puede conducir a resultados poco realistas. Estos marcos pueden ser inflexibles y no adaptarse a un entorno nuevo y diverso. "Cloud Brain" no puede predecir con precisión cuándo la temperatura es alta (Jones, 2018). Al igual que la " función de caja negra " de SMART-Invest (Gomes et al., 2019), estas técnicas de aprendizaje automático obtienen poca transparencia. La gente lucha por reconocer y comprender los modelos (Jones, 2018). Al normalizar flujos, aprender las transformaciones biyectivas exactas requiere un esfuerzo adicional y pocos paquetes tienen las funciones para expresar cada transformación explícitamente. Algunas transformaciones particulares pueden desobedecer las leyes de la física, pero los científicos no tienen forma de identificar y solucionar el problema. Por lo tanto, se hace necesario entrenar el modelo de manera integral con la supervisión adecuada de las leyes físicas. Sin embargo, la heliofísica puede ser compleja y los científicos no están seguros del proceso de fusión nuclear dentro del Sol. En tales casos, no se establece ninguna ecuación física para describir el proceso de conversión de energía, que afecta la cantidad de energía solar que los humanos pueden extraer. Sin un "libro de reglas", el aprendizaje automático es el enfoque óptimo para descubrir el patrón y la correlación (Jones, 2018). Al implementar flujos de normalización en energía solar y heliofísica, se debe permitir cierto grado de libertad para que la red neuronal descubra patrones en los regímenes desconocidos de la física solar.
La planificación espacial se refiere a los métodos y enfoques utilizados por el sector público para influir en la distribución de personas y actividades en espacios de diversas escalas. Abarca un amplio espectro de actividades relacionadas con el uso y la gestión del suelo y los espacios públicos, con el objetivo de garantizar el desarrollo sostenible y mejorar los entornos construidos y naturales.
La planificación espacial cubre una amplia gama de preocupaciones que incluyen el desarrollo urbano, suburbano y rural, el uso del suelo, los sistemas de transporte, la planificación de infraestructura y la protección ambiental. Su objetivo es coordinar los diversos aspectos de las políticas y regulaciones sobre el uso de la tierra, la vivienda, los servicios públicos y la infraestructura de transporte, asegurando que estos elementos trabajen juntos para promover el desarrollo económico, la sostenibilidad ambiental y la calidad de vida de las comunidades en todo tipo de áreas.
Este término se utiliza a menudo en un contexto europeo y puede verse como un enfoque integrado que va más allá de la planificación urbana tradicional para abordar las necesidades y estrategias de desarrollo de una gama más amplia de entornos. Implica la toma de decisiones estratégicas para guiar el desarrollo futuro y la organización espacial del uso de la tierra de una manera que sea eficiente, sostenible y equitativa.
Los sistemas de transporte inteligentes (ITS) buscan mejorar la seguridad y los tiempos de viaje minimizando las emisiones de gases de efecto invernadero para todos los viajeros, aunque centrándose principalmente en los conductores. ITS tiene dos sistemas: uno para recopilación/transmisión de datos y otro para procesamiento de datos. La recopilación de datos se puede lograr con cámaras de video en áreas transitadas, sensores que detectan diversas piezas, desde la ubicación de ciertos vehículos hasta la infraestructura que está averiada, e incluso conductores que notan un accidente y usan una aplicación móvil , como Waze , para informar su paradero. [7] [11]
Los sistemas avanzados de transporte público (APTS) tienen como objetivo hacer que el transporte público sea más eficiente y conveniente para sus usuarios. Los métodos de pago electrónico permiten a los usuarios agregar dinero a sus tarjetas inteligentes en las estaciones y en línea. APTS transmite información a las instalaciones de tránsito sobre las ubicaciones actuales de los vehículos para brindarles a los pasajeros los tiempos de espera esperados en las pantallas de las estaciones y directamente a los teléfonos inteligentes de los clientes. Los sistemas avanzados de gestión de tráfico (ATMS) recopilan información mediante cámaras y otros sensores que recopilan información sobre cuán congestionadas están las carreteras. Los medidores de rampa regulan la cantidad de automóviles que ingresan a las carreteras para limitar los atascos. Los semáforos utilizan algoritmos para optimizar los tiempos de viaje en función del número de coches en la carretera. Las señales electrónicas en las carreteras transmiten información sobre tiempos de viaje, desvíos y accidentes que pueden afectar la capacidad de los conductores para llegar a su destino. [11]
Con el aumento de la conectividad de los consumidores, se necesita menos infraestructura para que estos ITS tomen decisiones informadas. [18] Google Maps utiliza el crowdsourcing de teléfonos inteligentes para obtener información sobre las condiciones del tráfico en tiempo real, lo que permite a los conductores tomar decisiones basadas en las carreteras de peaje, los tiempos de viaje y la distancia total recorrida. [19] Los automóviles se comunican con sus fabricantes para instalar de forma remota actualizaciones de software cuando se agregan nuevas funciones o se corrigen errores. [20] Tesla Motors incluso utiliza estas actualizaciones para aumentar la eficiencia y el rendimiento de sus automóviles. [21] Estas conexiones brindan a ITS un medio para recopilar información con precisión e incluso transmitir esa información a los conductores sin necesidad de otra infraestructura.
Los futuros sistemas ITS ayudarán en la comunicación del automóvil no sólo con la infraestructura, sino también con otros automóviles. [7] [11]
La red eléctrica fue diseñada para enviar a los consumidores electricidad desde generadores de electricidad por una tarifa mensual basada en el uso. Los propietarios de viviendas están instalando paneles solares y baterías grandes para almacenar la energía creada por estos paneles. Se está creando una red inteligente para dar cabida a las nuevas fuentes de energía. En lugar de simplemente enviar electricidad a un hogar para ser consumida por los distintos electrodomésticos del hogar, la electricidad puede fluir en cualquier dirección. Sensores adicionales a lo largo de la red mejorarán la recopilación de información y reducirán el tiempo de inactividad durante los cortes de energía. Estos sensores también pueden transmitir información directamente a los consumidores sobre cuánta energía están usando y cuáles serán los costos. [22]
Otra forma en que se utilizan las estrategias computacionales es en la recopilación activa de información. El uso de la tecnología para medir toneladas de información y clasificarlas es una herramienta poderosa en muchos campos de estudio. Por ejemplo, la NASA utiliza satélites para obtener datos SAR ( radar de apertura sintética ) para mapear la superficie de la Tierra. Son capaces de realizar una recopilación activa de datos de porciones del espectro electromagnético visible, infrarrojo cercano e infrarrojo de onda corta utilizando sus satélites. Estos hallazgos pueden ayudar a identificar la deforestación y el aumento del nivel del mar y ayudar a predecir cambios futuros en diferentes ecosistemas en función de las longitudes de onda y la polarización del radar. La NASA ha hecho públicos estos datos a partir del Sentinel-1a de la Agencia Espacial Europea (ESA) en 2014. [23]
La visión por computadora y el aprendizaje automático desempeñan un papel crucial en el avance de la sostenibilidad computacional, ofreciendo soluciones innovadoras a desafíos ambientales complejos. Al aprovechar el poder de estas tecnologías, los investigadores y profesionales pueden analizar grandes cantidades de datos, extraer patrones significativos y desarrollar estrategias sostenibles para gestionar los recursos naturales y los ecosistemas.
La visión por computadora se utiliza para monitorear y rastrear especies en peligro de extinción , como rastrear los movimientos de los animales en sus hábitats naturales o identificar animales individuales para estudios de población. Por ejemplo, las cámaras trampa equipadas con algoritmos de visión por computadora pueden detectar e identificar especies automáticamente, lo que permite a los investigadores estudiar sus comportamientos sin molestarlas. Los algoritmos de aprendizaje automático pueden analizar estos datos para comprender el comportamiento animal, las preferencias de hábitat y la dinámica de la población, lo que ayuda en los esfuerzos de conservación. Esto es útil para evaluar la eficacia de las medidas de conservación e identificar áreas que necesitan protección.
Las tecnologías de teledetección combinadas con el aprendizaje automático pueden monitorear la calidad del aire y el agua, detectar contaminantes y evaluar la salud ambiental. Por ejemplo, las imágenes satelitales pueden usarse para monitorear la proliferación de algas en cuerpos de agua, que pueden ser perjudiciales para la vida acuática y la salud humana. Las técnicas de visión por computadora pueden analizar imágenes satelitales para detectar deforestación y actividades de tala ilegal. Al identificar áreas en riesgo, los conservacionistas y las autoridades pueden tomar medidas para proteger los bosques y la biodiversidad.
La visión por computadora se utiliza para monitorear la salud de los cultivos, detectando enfermedades y deficiencias de nutrientes de manera temprana. Por ejemplo, los drones equipados con cámaras multiespectrales pueden capturar imágenes de cultivos, que luego se analizan mediante algoritmos de aprendizaje automático para identificar problemas de salud. Los algoritmos de aprendizaje automático pueden analizar datos de sensores y drones para optimizar la asignación de recursos en la agricultura. Al proporcionar información sobre la salud del suelo, los niveles de humedad y el crecimiento de los cultivos, estos algoritmos ayudan a los agricultores a tomar decisiones informadas para mejorar la productividad y la sostenibilidad.
Los modelos de aprendizaje automático pueden analizar datos climáticos históricos para predecir patrones climáticos futuros. Esta información es crucial para desarrollar estrategias para mitigar los impactos del cambio climático, como la planificación para eventos climáticos extremos y el aumento del nivel del mar. Se pueden utilizar técnicas de visión por computadora para monitorear fuentes de energía renovables , como paneles solares y turbinas eólicas. Al analizar datos sobre la producción de energía y las condiciones ambientales, estas técnicas ayudan a optimizar el uso de energía renovable y reducir la dependencia de los combustibles fósiles .
La visión por computadora y el aprendizaje automático permiten la toma de decisiones basada en datos en los esfuerzos de sostenibilidad. Al analizar grandes conjuntos de datos, los investigadores pueden identificar tendencias, predecir resultados y tomar decisiones informadas para conservar los recursos naturales y proteger el medio ambiente.
Estas tecnologías mejoran la eficiencia y precisión del monitoreo y la gestión ambiental. Pueden procesar datos con mayor rapidez y precisión que los métodos tradicionales, lo que permite intervenciones oportunas para prevenir la degradación ambiental.
Al permitir un monitoreo y análisis más precisos, la visión por computadora y el aprendizaje automático mejoran los esfuerzos de conservación, ayudando a proteger especies en peligro de extinción, preservar la biodiversidad y mitigar los efectos del cambio climático.
Los conocimientos procedentes de la visión por computadora y el aprendizaje automático contribuyen al desarrollo de prácticas sostenibles en la agricultura, la silvicultura y otras industrias. Al optimizar el uso de recursos y minimizar el impacto ambiental, estas tecnologías respaldan la sostenibilidad a largo plazo.
El modelado basado en agentes (ABM) tiene muchas aplicaciones en una variedad de dominios dentro de la sostenibilidad computacional. En la conservación de la vida silvestre y la gestión de ecosistemas, ABM simula comportamientos e interacciones de animales en los ecosistemas. Esto muestra los impactos de la destrucción del hábitat o el cambio climático en la biodiversidad. En agricultura sostenible, ABM evalúa cómo los agricultores deciden sobre la selección de cultivos, el uso de la tierra y la adopción de prácticas sostenibles. La planificación urbana se beneficia del ABM mediante la simulación del tráfico y los patrones de peatones para optimizar potencialmente los sistemas de transporte público, reducir las emisiones de carbono y mejorar la calidad de vida urbana. Estos son algunos ejemplos de aplicaciones ABM que proporcionan una herramienta poderosa para explorar soluciones sostenibles y ayudar a las partes interesadas a tomar decisiones informadas para un futuro sostenible.
[24] NetLogo es uno de los softwares ABM líderes y más populares. Permite a los investigadores diseñar, desarrollar e implementar ABM complejos de una manera que aún sea accesible para quienes no tienen experiencia en programación. Debido a esto, tiene una aplicabilidad y un uso generalizados en entornos educativos que pueden ayudar a los estudiantes a desarrollar una comprensión más amplia de las cuestiones de sostenibilidad. La versión base de NetLogo viene con muchos modelos de muestra, esto incluye 7 modelos en la carpeta de Ciencias de la Tierra. Estos modelos abordan diversas cuestiones de sostenibilidad que van desde el impacto de las emisiones de dióxido de carbono en el cambio climático hasta la filtración de petróleo a través de suelos permeables durante los derrames de petróleo.
Las aplicaciones móviles se utilizan cada vez más en proyectos de ciencia ciudadana de conservación y monitoreo de la biodiversidad . Estas aplicaciones permiten a los voluntarios registrar y compartir fácilmente observaciones de especies, fotografías y otros datos ecológicos directamente desde el campo utilizando sus teléfonos inteligentes. Al aprovechar el poder de la tecnología móvil y una comunidad ciudadana activa, estos proyectos pueden recopilar grandes cantidades de datos valiosos sobre biodiversidad en una variedad de entornos de una manera rentable, en comparación con los métodos de encuestas tradicionales realizados únicamente por científicos profesionales.
Algunos ejemplos populares de aplicaciones móviles para el monitoreo de la biodiversidad incluyen iNaturalist, eBird y Merlin. iNaturalist permite a los usuarios registrar observaciones, compartirlas con otros naturalistas y contribuir a la ciencia de la biodiversidad compartiendo hallazgos con repositorios de datos científicos. eBird, administrado por el Laboratorio de Ornitología de Cornell, permite a los observadores de aves ingresar sus avistamientos y acceder a herramientas que hacen que la observación de aves sea más gratificante. , como administrar listas, fotografías y grabaciones de audio, y ver mapas de distribución de especies en tiempo real. Merlin, también del Cornell Lab, ayuda a los usuarios a identificar especies de aves mediante reconocimiento visual impulsado por IA y filtrado basado en preguntas, y aporta avistamientos a la base de datos de eBird. Estas aplicaciones muestran prácticas de diseño efectivas que les han permitido recopilar datos importantes sobre biodiversidad a través de la participación pública.
