Sostenibilidad computacional

La sustentabilidad 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 la ciencia de la información . ^{[1] [2]} La sustentabilidad en este contexto se refiere a la capacidad del mundo para sostener 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 basados ​​en información en tiempo real. ^{[3] Las aplicaciones avanzadas de este campo están muy extendidas en varias áreas. Por ejemplo, se crean técnicas de inteligencia artificial y aprendizaje automático para promover} la conservación de la biodiversidad y la protección de las 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 la carretera y transmitir información a los conductores para que puedan tomar decisiones más inteligentes y más 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 de Medio Ambiente y Desarrollo sobre el futuro de la humanidad. ^[9] Más recientemente, la investigación de la 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 económico, social y ambiental humano 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 mundiales 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 , ciencia de la información , optimización (incluida la optimización combinatoria ), sistemas dinámicos y sistemas multiagente . ^{[11] [5]}

Si bien el surgimiento formal de la sostenibilidad computacional suele remontarse 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 recursos informáticos disponibles en ese momento, lo que requirió modelos simplificados.

En el ámbito de la inteligencia artificial, en particular en el aprendizaje automático, en la década de 1990 se realizaron investigaciones sobre modelado ecológico y gestión de aguas residuales , entre otras cuestiones de sostenibilidad. Este trabajo continuó en la década de 2000, con el apoyo de grupos como el grupo de trabajo "Aprendizaje automático para el medio ambiente" creado por el Centro Nacional de Análisis y Síntesis Ecológica en 2006. La investigación sobre optimización para ayudar a afrontar los desafíos de sostenibilidad, como el diseño de reservas de vida silvestre, se remonta a la década de 1980.

A principios de la década de 2000, también se observó una creciente preocupación por el impacto ambiental de la tecnología informática en sí, 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 los impactos de segundo y mayor orden, 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 CO2 _. Desde entonces, los esfuerzos de política internacional, en particular los 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 en la actualidad.

Antes de la conferencia de la OCDE de 2008, los matemáticos propusieron utilizar su experiencia para combatir el cambio climático , lo que indicaba un creciente reconocimiento del papel de la comunidad de investigación en la sostenibilidad. Este período también fue testigo de la creación del Instituto de Sostenibilidad Computacional en 2008 y el lanzamiento de la Conferencia Internacional sobre Sostenibilidad Computacional en 2009, momentos fundamentales 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 informático y científico más amplio.

El campo de la sostenibilidad computacional ha seguido expandiéndose, con iniciativas importantes como el premio Expediciones en Computación enfocadas en la Sostenibilidad otorgado a la Universidad de Minnesota en 2010, cuyo objetivo es avanzar en la comprensión del clima mediante la minería y visualización de datos. El establecimiento de cursos y premios relacionados con la sostenibilidad en varias conferencias, junto con la 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 la preservación de la diversidad de especies, la utilización sostenible de especies y ecosistemas, y el mantenimiento de los sistemas que sustentan la vida y los 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 en las ciudades y sus alrededores. Un esfuerzo hacia la conservación ha incluido la creación de corredores de vida silvestre que se utilizan para conectar poblaciones de vida silvestre que se han aislado 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] El traslado de especies para conectar áreas de conservación centrales a través de corredores da como resultado un problema de optimización. Aquí es donde la tecnología puede ayudar, no solo en la optimización de los corredores, sino 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 las actividades ilegales como la caza furtiva . En los últimos años ha habido una importante investigación sobre estrategias de monitoreo 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 avance significativo 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 ellos importantes de diferentes maneras. El Objetivo de Desarrollo Sostenible 14 hace hincapié en la protección de la vida submarina. 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, en particular en la conservación de la vida silvestre, sigue en gran medida sin explotar. Al examinar los desafíos, las contribuciones y las posibles contribuciones 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 submarina y terrestre.

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 de gestión de incendios existentes al cambiante panorama de incendios, especialmente considerando el impacto del cambio climático en las frecuencias de incendios. Al incorporar diversas variables como la topografía , la vegetación y los factores meteorológicos , la investigación se alinea con el paradigma de sostenibilidad computacional, que busca aprovechar los modelos computacionales para prácticas ambientales sostenibles.

Existe un nuevo marco 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 existentes, más complejos. El énfasis en dos variables clave, el déficit de presión de vapor (VPD) y la fracción de piceas, refleja el compromiso del artículo con los enfoques computacionales prácticos y viables 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 informada en el monitoreo y la evaluación ambientales.

Los investigadores en sustentabilidad computacional han avanzado en técnicas para combatir la pérdida de biodiversidad que enfrenta el mundo durante la sexta extinción actual . ^[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, lo que permite a los científicos cuantificar los esfuerzos de conservación y recomendar políticas efectivas. ^{[11] [13] [17] [5]}

El uso de “energía asequible y no contaminante” 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 poblaciones 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 atenúa el calentamiento global y la destrucción de los ecosistemas. El Sol vivirá aproximadamente 5 mil millones de años más, lo que sirve como fuente de energía estable y de 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, la energía renovable , incluida la eólica y la solar, no se puede gestionar. Los seres humanos no pueden controlar estas fuentes de energía ni predecir la producción de energía con antelación. Si se utilizan energías renovables, los científicos deben buscar otras fuentes de compensación, que suelen estar relacionadas con los combustibles fósiles, que se consideran insostenibles. Otra posibilidad es almacenar la energía de estas fuentes renovables para compensar la diferencia, lo que puede resultar caro.

Los científicos deben tener en cuenta distintos factores al diseñar el sistema de almacenamiento, como la regulación de frecuencia , el desplazamiento de la energía, el desplazamiento 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 los tres "temas generales de sostenibilidad": simulación, aprendizaje automático y ciencia ciudadana (Gomes et al., 2019).

El cambio climático y la energía renovable están interrelacionados. Las fuentes de energía renovable, como el sol y el viento, dependen en gran medida del clima. En un día nublado, las personas obtendrán menos energía solar debido a la protección solar. 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, reduciendo el calentamiento global y el clima extremo. Por lo tanto, la construcción de un modelo climático preciso y la predicción del clima para la producción de energía renovable se vuelven esenciales.

En su artículo, Jones analiza el uso de la inteligencia artificial (IA) para simular el clima (2018). Los principales problemas que presenta el uso de computadoras para modelar el clima surgen de la falta de detalles y de la lentitud de la simulación. Diferentes enfoques computacionales también pueden generar 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 a los modelos climáticos existentes. Esta combinación permite que la computadora discierna de manera eficiente más detalles 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, incluidos los flujos normalizadores, 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 "Cloud Brain", un código de aprendizaje profundo para inferir 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 períodos prolongados. Este modelo es más eficiente que las simulaciones tradicionales de alta resolución, pero brinda resultados similares y realistas (Jones, 2018). Los flujos normalizadores también realizaron funciones similares a las del "Cloud Brain". Después de ingresar las condiciones iniciales y finales en la red neuronal , el algoritmo puede determinar una cadena de transformaciones. Las condiciones dadas generalmente provienen de un período corto, mientras que la cadena puede ser universal para escenarios a largo plazo para inferir y predecir.

Sin embargo, desarrollar estas técnicas de aprendizaje automático para predecir el mundo físico sigue siendo un desafío. El aprendizaje automático funciona de manera "intuitiva" y puede no seguir las reglas del mundo. Al predecir y establecer el modelo climático, la IA no puede considerar diferentes factores de la física, incluida la gravedad y el gradiente de temperatura , para lograr eficiencia. 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. El "cerebro de la nube" no puede predecir con precisión cuándo la temperatura es alta (Jones, 2018). Al igual que la " función de caja negra " en SMART-Invest (Gomes et al., 2019), estas técnicas de aprendizaje automático obtienen poca transparencia. Las personas luchan por reconocer y comprender los modelos (Jones, 2018). En la normalización de 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, es necesario entrenar el modelo de manera integral con la supervisión adecuada de las leyes de la física. 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 determinar el patrón y la correlación (Jones, 2018). Al implementar flujos normalizadores 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 las personas y las 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 naturales y construidos.

La planificación espacial abarca una amplia gama de cuestiones, entre ellas el desarrollo urbano, suburbano y rural, el uso del suelo, los sistemas de transporte, la planificación de la infraestructura y la protección del medio ambiente. Su objetivo es coordinar los diversos aspectos de la política y la reglamentación sobre el uso del suelo, la vivienda, los servicios públicos y la infraestructura de transporte, garantizando 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 zonas.

Este término se utiliza a menudo en un contexto europeo y puede considerarse 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 orientar el desarrollo futuro y la organización espacial del uso del suelo de una manera que sea eficiente, sostenible y equitativa.

Los sistemas de transporte inteligente (ITS) buscan mejorar la seguridad y los tiempos de viaje, al mismo tiempo que minimizan las emisiones de gases de efecto invernadero para todos los viajeros, aunque se centran principalmente en los conductores. Los ITS tienen dos sistemas: uno para la recopilación/retransmisión de datos y otro para el procesamiento de datos. La recopilación de datos se puede lograr con cámaras de video en áreas concurridas, sensores que detectan diversas piezas, desde la ubicación de ciertos vehículos hasta la infraestructura que se está averiando, e incluso conductores que notan un accidente y usan una aplicación móvil , como Waze , para informar sobre 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 pasajeros. Los métodos de pago electrónico permiten a los usuarios agregar dinero a sus tarjetas inteligentes en las estaciones y en línea. Los APTS transmiten 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 del tráfico (ATMS) recopilan información utilizando 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 autopistas para limitar los atascos. Los semáforos utilizan algoritmos para optimizar los tiempos de viaje según la cantidad de automóviles en la carretera. Las señales de carretera electrónicas transmiten información sobre los tiempos de viaje, los desvíos y los accidentes que pueden afectar la capacidad de los conductores para llegar a su destino. ^[11]

Con el aumento de la conectividad del consumidor, 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 usa estas actualizaciones para aumentar la eficiencia y el rendimiento de sus automóviles. ^[21] Estas conexiones brindan a los ITS un medio para recopilar información precisa e incluso transmitir esa información a los conductores sin necesidad de otra infraestructura.

Los futuros sistemas ITS facilitarán la comunicación de los automóviles no sólo con la infraestructura, sino también con otros automóviles. ^{[7] [11]}

La red eléctrica fue diseñada para enviar electricidad a los consumidores desde generadores de electricidad a cambio de una tarifa mensual basada en el uso. Los propietarios de viviendas están instalando paneles solares y baterías de gran tamaño 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 enviar únicamente electricidad a un hogar para que la consuman los distintos electrodomésticos del mismo, la electricidad puede fluir en ambas direcciones. Los 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 utilizando 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 tecnología para medir toneladas de información y clasificarla es una herramienta poderosa en muchos campos de estudio. Por ejemplo, la NASA utiliza satélites para obtener datos SAR ( radar de apertura sintética ) con el fin de mapear la superficie de la Tierra. Pueden realizar una recopilación activa de datos de las porciones visible, infrarroja cercana e infrarroja de onda corta del espectro electromagnético 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 puesto estos datos a disposición del público comenzando con el Sentinel-1a de la Agencia Espacial Europea (ESA) en 2014. ^[23]

La visión artificial 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 los profesionales pueden analizar grandes cantidades de datos, extraer patrones significativos y desarrollar estrategias sostenibles para gestionar los recursos naturales y los ecosistemas.

La visión artificial 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 artificial pueden detectar e identificar automáticamente las especies, lo que permite a los investigadores estudiar sus comportamientos sin perturbarlas. Los algoritmos de aprendizaje automático pueden analizar estos datos para comprender el comportamiento de los animales, 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 permiten monitorear la calidad del aire y del agua, detectar contaminantes y evaluar la salud ambiental. Por ejemplo, las imágenes satelitales se pueden utilizar para monitorear las floraciones de algas en los cuerpos de agua, que pueden ser perjudiciales para la vida acuática y la salud humana. Las técnicas de visión artificial pueden analizar imágenes satelitales para detectar la deforestación y las actividades de tala ilegal. Al identificar las áreas en riesgo, los conservacionistas y las autoridades pueden tomar medidas para proteger los bosques y la biodiversidad.

La visión artificial se utiliza para supervisar la salud de los cultivos y detectar enfermedades y deficiencias de nutrientes de forma temprana. Por ejemplo, los drones equipados con cámaras multiespectrales pueden capturar imágenes de los 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 ante fenómenos meteorológicos extremos y el aumento del nivel del mar. Las técnicas de visión artificial se pueden utilizar para monitorear fuentes de energía renovable , 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 combustibles fósiles .

La visión artificial y el aprendizaje automático permiten tomar decisiones basadas en datos en el marco de iniciativas 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 la precisión del control y la gestión ambiental, ya que permiten procesar datos con mayor rapidez y precisión que los métodos tradicionales, lo que permite realizar intervenciones oportunas para prevenir la degradación ambiental.

Al permitir un seguimiento y un análisis más precisos, la visión artificial y el aprendizaje automático mejoran los esfuerzos de conservación, ayudando a proteger las especies en peligro de extinción, preservar la biodiversidad y mitigar los efectos del cambio climático.

Los conocimientos adquiridos con la visión artificial y el aprendizaje automático contribuyen al desarrollo de prácticas sostenibles en la agricultura, la silvicultura y otras industrias. Al optimizar el uso de los recursos y minimizar el impacto ambiental, estas tecnologías respaldan la sostenibilidad a largo plazo.

El modelado basado en agentes (ABM, por sus siglas en inglés) 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, el ABM simula los comportamientos y las interacciones de los animales en los ecosistemas. Esto muestra los impactos de la destrucción del hábitat o el cambio climático en la biodiversidad. En la agricultura sostenible, el ABM evalúa cómo los agricultores deciden 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 del 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 programas ABM más populares y líderes. Permite a los investigadores diseñar, desarrollar e implementar ABM complejos de una manera que aún es accesible para aquellos sin conocimientos de programación. Debido a esto, tiene una amplia aplicabilidad y uso en entornos educativos que pueden ayudar a los estudiantes a desarrollar una comprensión más amplia de los problemas de sostenibilidad. La versión básica de NetLogo viene con muchos modelos de muestra, esto incluye 7 modelos bajo la carpeta de Ciencias de la Tierra. Estos modelos abordan varios problemas de sostenibilidad que van desde el impacto de las emisiones de dióxido de carbono en el cambio climático hasta la percolación 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 estudio tradicionales realizados solo 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 al compartir los 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, fotos y grabaciones de audio, y ver mapas de distribución de especies en tiempo real. Merlin, también del Laboratorio de Cornell, ayuda a los usuarios a identificar especies de aves a través del reconocimiento visual impulsado por IA y el 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 significativos sobre la biodiversidad a través de la participación pública.

• Carla Gomes , pionera de la sostenibilidad computacional
• Informática ambiental
• Pájaro electrónico
• Computación verde
• Instituto de Sostenibilidad Computacional (ICS)
• La conservación de la naturaleza
• Servicio de Pesca y Vida Silvestre de los Estados Unidos
• Servicio Geológico de los Estados Unidos

• Sostenibilidad computacional
• Instituto de Sostenibilidad Computacional (ICS)