مرگ به ازای تولید انرژی خورشیدی

پژوهش‌های اندکی درباره‌ی تأثیر خورشید بر پرنده‌ها انجام شده است. یافتن پرنده‌ای مرده چه معنایی دارد؟ هنوز هیچ‌کس نمی‌داند؛ اما دستیابی به داده‌های مربوط به مرگ پرندگان در تأسیسات خورشیدی هم کار دشواری است.

بر اساس یکی از اولین پژوهش‌های مربوط به آثار خورشیدی در سال ۲۰۱۶، صدها مزرعه‌ی خورشیدی در مقیاس تأسیساتی در اطراف ایالات متحده وجود دارند که سالانه ۱۴ هزار پرنده را به کام مرگ می‌کشانند. این آمار کمی پائین‌تر از آمار پرندگانی است که بر اثر تأسیسات سوخت‌ فسیلی می‌‌میرند (به دلیل نشر کربن، برق گرفتگی و مسمومیت)، اما به اعتقاد پژوهشگرها با توسعه‌ی مزارع خورشیدی، آمار مرگ‌ومیر پرندگان سه برابر شده است.

ارتباط بین تأسیسات خورشیدی و مرگ‌ومیر پرندگان هنوز نامشخص است؛ اما طبق یکی از نظریه‌های پیشتاز، پرنده‌ها، درخشندگی صفحات خورشیدی را با سطح رودخانه اشتباه می‌گیرند و روی آن‌ها فرود می‌آیند که این فرود معمولا مهلک و کشنده است. به گفته‌ی اسپورر: «اما این فرضیه هم دور از چشم انداز انسانی است. آیا پرنده‌ها دقیقا مانند انسان می‌بینند؟ برای رسیدن به چشم‌انداز واضحی از این پدیده نیاز به جمع‌آوری اطلاعات بیشتری داریم.»

در آغاز سال جاری، وزارت انرژی ایالات متحده، بودجه‌ای ۱/۳ میلیون دلاری را به پژوهشگران آزمایشگاه ملی آرگون داد. هدف این گروه، توسعه‌ی پلتفرم هوش مصنوعی برای بررسی رفتار پرندگان در تأسیسات خورشیدی اطراف ایالات متحده بود. پژوهشگرها امیدوارند بتوانند از داده‌های این سیستم برای پرده برداشتن از راز مرگ پرندگان در مزارع خورشیدی استفاده کنند. به گفته‌ی یوکی هامادا، دانشمند زیست‌فیزیک آرگون و یکی از پیشتازان این پروژه:

هدف مهم، کاهش اثر محیطی خورشیدی در هر شکلی است. مرگ‌ومیر پرندگان، امروزه به یک نگرانی تبدیل شده‌ و صنعت انرژی تجدید‌پذیر هم به دنبال درک و رفع این مشکل است.

تنها چند منطقه در ایالات متحده دارای تأسیساتی هستند که به اپراتورهای خورشیدی برای گزارش مرگ پرندگان نیاز دارند؛ اغلب مزارع خورشیدی آمریکا، نیازی به محاسبات زمان‌بر و خسته‌کننده ندارند؛ اما مشکل دیگر مزارع، محدودیت جمع‌آوری داده‌ها و ارسال ارزیاب برای شمارش تعداد لاشه‌ها در یک ماه است. با اینکه شمارش لاشه‌ها به اپراتورها کمک می‌کند، هیچ دیدگاهی درباره‌ی علت مرگ آن‌ها نمی‌دهد. به همین دلیل نیاز به مشاهدات آنی احساس می‌شود.

شمارش تعداد پرندگان عملی تکراری و خسته‌کننده است که فقط هوش مصنوعی از عهده‌ی آن برمی‌آید؛ اما پیاده‌سازی سیستم هوش مصنوعی در تأسیسات خورشیدی با چالش‌هایی همراه است. مهم‌ترین بخش این فرآیند، آموزش الگوریتم یادگیری ماشین برای تشخیص پرنده‌ها در محیطی پیچیده است. پرنده‌ها اندازه‌ها، شکل‌ها و رنگ‌های مختلفی دارند؛ در نتیجه الگوریتم باید در درجه‌ی اول، درکی از مفهوم پرنده داشته باشد که صرف‌نظر از موقعیت آن را شکار کند.

آدام زیامانسکی، یکی از مهندسان نرم‌افزار در آرگون و رهبر توسعه‌ی ناظر پرنده‌ی هوش مصنوعی است. او از بینایی ماشین برای تشخیص خودکار پهپادهای کوچک در هوا استفاده کرد. پهپادهای Hobby فاقد بال یا پایه‌های نگه‌دار هستند در نتیجه آموزش ظاهر پهپاد به الگوریتم، نسبتا آسان است؛ اما برای پیاده‌سازی و تعمیم الگوریتم برای تشخیص پرنده‌ها، در درجه‌ی اول نیاز به برچسب‌گذاری پرنده‌ها در هزاران تصویر است. سپس می‌توان از این داده‌ها به‌عنوان داده‌های آموزشی الگوریتم استفاده کرد. زیامانسکی می‌گوید:

پژوهش یادگیری ماشین ما کمی منحصر‌به‌فرد است؛ زیرا صرفا به دنبال طبقه‌بندی اشیا در یک تصویر نیستیم. بلکه هدف اصلی طبقه‌بندی شیء سریع و کوچک در یک بازه‌ی زمانی مشخص است؛ بنابراین اگر پرنده‌ای در حال پرواز باشد، در برخی بازه‌های زمانی یک نقطه و در برخی دیگر ممکن است بال‌های آن دیده شود و به همین دلیل لازم است اشیاء در حین حرکت ردیابی شوند.

سخت‌افزار موردنیاز سیستم ردیاب هم با چالش‌هایی همراه است. تأسیسات خورشیدی به دلیل دورافتادگی، معمولا از زیرساخت کافی برای قابلیت‌های یادگیری ماشین برخوردار نیستند. در نزدیکی این تأسیسات معمولا هیچ گونه مراکز داده‌ای وجود ندارد، پهنای باند اینترنت هم محدود است و حتی به سختی می‌توان به برق دسترسی پیدا کرد. به گفته‌ی زیامانسکی:

شاید فکر کنید تأسیسات خورشیدی باید برق داشته باشند، زیرا آن را تولید می‌کنند؛ اما این تأسیسات از خروجی‌های توان متصل به پنل‌ها محروم‌اند. در نتیجه سخت‌افزاری که برای پیاده‌سازی الگوریتم آرگون به کار می‌رود باید از نظر مصرفی مقرون‌به‌صرفه باشد زیرا توان آن با باتری یا صفحات خورشیدی کوچک تأمین خواهد شد در حالی که باید مجموعه‌ی عظیمی از اطلاعات را تولید کند.

پژوهشگران برای پیاده‌سازی آرگون از سخت‌افزار تجاری شرکت Boulder AI استفاده می‌کنند که برای نظارت بر ترافیک حمل و نقل و پیاده به کار می‌رود. سیستم دوربین کوچک بولدر برای محاسبات مرزی طراحی شده است. در این روش پردازش داده‌ها در محل انجام می‌شود و نیازی به مراکز داده نیست؛ اما به جای اتصال دوربین به تیر چراغ خیابان، روی صفحه‌ی خورشیدی نصب می‌شود.

امروزه هامادا و تیم او در حال پردازش داده‌های آموزشی دوربین‌ها در تأسیسات خورشیدی اطراف ایلینویز هستند. هدف اصلی، توسعه‌ی برنامه‌ای برای تعدادی از تأسیسات خورشیدی دولتی و تجاری در ایالات متحده است؛ اما دنیاگیری کرونا این روند را کند کرده است. در درجه‌ی اول هوش مصنوعی آرگون به شناسایی پرنده‌هایی می‌پردازد که در میدان دید آن ظاهر می‌شوند. این سیستم در نهایت قادر به تفکیک و تشخیص مجموعه‌ای از رفتارهای پرنده‌ها مثل فرود یا برخورد با صفحه‌ی خورشیدی خواهد بود.

پژوهشگرها از داده‌های آرگون برای پیشگیری از مرگ پرندگان در تأسیسات خورشیدی استفاده می‌کنند. همچنین به درکی از محیط محلی مثل آب و هوا یا زمان روز و تأثیر آن بر رفتار پرندگان می‌شوند. از طرفی می‌توانند دیگر علت‌های احتمالی مرگ‌ومیر پرندگان را شناسایی کنند.