مروری بر هوش مصنوعی در مدیریت منابع آب سطحی با تمرکز بر پیشرفت های اخیر، چالش ها و مسیرهای آینده

این مرور نظام مند با هدف ارزیابی وضعیت کنونی کاربردهای هوش مصنوعی (AI)، در مدیریت منابع آب سطحی انجام شده است. این مطالعه با پایبندی به دستورالعمل های بیانیه PRISMA ۲۰۲۰، ادبیات علمی اخیر (به ویژه سال های ۲۰۲۲ تا ۲۰۲۵) را از پایگاه های داده معتبری چون Scopus، Web of Science، ScienceDirect، IEEE Xplore و Google Scholar بررسی کرده و بیش از ۱۰۰ مقاله پژوهشی مرتبط را مورد تحلیل قرار داده است. یافته های کلیدی این مرور نشان می دهد که مدل های هوش مصنوعی، به ویژه شبکه های حافظه طولانی کوتاه مدت (LSTM) و مدل های ترکیبی یادگیری ماشین، عملکردی برتر در پیش بینی و بهینه سازی پارامترهای مختلف آب دارند. ادغام هوش مصنوعی با فناوری های نوظهور مانند اینترنت اشیا (IoT) و سنجش از دور، امکان پایش به هنگام و تحلیل داده های وسیع را فراهم آورده و کاربردهای متنوعی از پیش بینی تقاضای آب شهری و کیفیت آب رودخانه ها تا بهینه سازی آبیاری و مدیریت سیلاب را پوشش می دهد. با وجود این دستاوردهای چشمگیر، چالش های متعددی در مسیر پیاده سازی گسترده هوش مصنوعی در مدیریت آب وجود دارد. این چالش ها شامل کیفیت و دسترسی به داده ها، عدم شفافیت و تفسیرپذیری مدل ها، نیازهای محاسباتی بالا، محدودیت های زیرساختی، تهدیدات امنیت سایبری، ملاحظات اخلاقی و اجتماعی، هزینه های پیاده سازی و مقاومت در برابر تغییر هستند. این مرور بر نقش تحول آفرین هوش مصنوعی در مدیریت پایدار آب تاکید می کند و ضرورت توسعه مدل های قابل تفسیر و ایجاد همکاری های بین رشته ای را برای استقرار مسئولانه و موثر این فناوری برجسته می سازد. دقت در روش شناسی و جامعیت در پوشش ادبیات، اعتبار این مرور را افزایش داده و آن را به منبعی قابل اتکا برای پژوهشگران و تصمیم گیران در این حوزه تبدیل می کند.

کلیدواژه ها:

هوش مصنوعی ، مدیریت منابع آب ، هیدرولوژی ، یادگیری ماشین ، مدل های هوشمند