پیش بینی و کاهش انتشار کربن در ساختمان ها با استفاده از یادگیری ماشین و داده های اقلیمی

افزایش انتشار گازهای گلخانه ای و تغییرات اقلیمی از مهم ترین چالش های قرن بیست و یکم محسوب می شوند. بخش ساختمان به عنوان یکی از بزرگ ترین مصرف کنندگان انرژی و تولیدکنندگان انتشار کربن نقش بسزایی در این بحران جهانی ایفا می کند. تخمین زده می شود که ساختمان ها حدود ۴۰ درصد از مصرف نهایی انرژی جهانی و تقریبا ۳۶ درصد از انتشار گازهای گلخانه ای مرتبط با انرژی را به خود اختصاص می دهند. در این پژوهش راهکارهای نوین استفاده از الگوریتم های یادگیری ماشین و داده های اقلیمی برای پیش بینی و کاهش انتشار کربن در ساختمان ها مورد بررسی قرار گرفته است. روش تحقیق این مطالعه به صورت مروری تحلیلی بوده و با استفاده از منابع معتبر علمی بین المللی از سال ۲۰۲۰ تا ۲۰۲۶ انجام شده است. نتایج نشان می دهد که الگوریتم های یادگیری ماشین نظیر شبکه های عصبی عمیق، جنگل تصادفی و ماشین بردار پشتیبان قادرند با دقت بالایی انتشار کربن ساختمان ها را پیش بینی کنند، همچنین ادغام داده های اقلیمی با مدل های پیش بینی منجر به بهبود ۱۵ تا ۳۰ درصدی در دقت پیش بینی ها شده است. به کارگیری این فناوری ها می تواند نقش موثری در دستیابی به اهداف توسعه پایدار و کاهش اثرات تغییرات اقلیمی ایفا نماید.

کلیدواژه ها:

انتشار کربن ، ساختمان سبز ، یادگیری ماشین ، داده های اقلیمی ، پایداری ، مصرف انرژی