مدلسازی جریان آب و انتقال آلودگی در محدوده معدن نقش اساسی و غیرقابل‌انکار دارد چون فرایندهای فیزیکی، شیمیایی و زیستی در زیرسطح و روی سطح زمین با هم درهم‌آمیخته‌اند و رفتار آلاینده‌ها در فضا و زمان بسیار پیچیده است. اندازه‌گیری میدانی به‌تنهایی هرگز نمی‌تواند همه‌جا و در همه زمان‌ها حضور داشته باشد؛ مدل‌های ریاضی و شبیه‌سازی به ما امکان می‌دهند ساختار میدان جریان، مسیرهای اصلی جابجایی و نواحی تجمع آلاینده را پیش‌بینی کنیم تا شناخت عمیق‌تری از فرایندهای پنهان به‌دست آید.

در نگاه کلی، چهار سال آخر سری زمانی وضعیتی را نشان می‌دهد که از نظر هیدرولوژیک با یک فرآیند خشکسالی چندساله سازگار است: تأمین آبی کاهش یافته، ذخایر برفی و رطوبت خاک تضعیف شده‌اند و در عینِ حال تنش‌های حرارتی تشدید شده‌اند. این ترکیب «کاهش عرضه» همراه با «افزایش تقاضای اتمسفری» ساختاری فراهم می‌آورد که هم ظهورِ خشکسالی و هم تشدید پیامدهای آن را تسهیل می‌کند. وقتی چهار سال اخیر را مقابل کل دوره آماری قرار می‌دهیم، آشکار است که این دوره از نظر بارش نسبت به میانگین بلندمدت ضعیف‌تر، از نظر دما گرم‌تر و از نظر رطوبت خاک خشک‌تر است. این تفاوت‌های ترکیبی نشان می‌دهد که وضعیت فعلی نه یک ناکامی‌کوتاه‌مدتِ مقطعی، بلکه یک دوره تجمعی است که اثراتش بر زنجیره تأمین آب از برف و رواناب سطحی تا رطوبت خاک و در نهایت آب‌های زیرزمینی قابل مشاهده است.

یک مطالعه ماهواره‌ای جدید، کاهش نگران‌کننده‌ای در منابع آب شیرین جهانی را شناسایی کرده که پیامدهایی برای جامعه، بوم‌شناسی و افزایش سطح آب دریاها دارد. چهار منطقه با خشکسالی شدید شناسایی شده‌اند که همگی در نیم‌کره شمالی قرار دارند.

پروفسور عزت‌الله رئیسی اردکانی، پدر علم هیدروژئولوژی ایران با نگاهی علمی و تجربی به بحران آب کشور هشدار می‌دهد که مشکل کم‌آبی در ایران فراتر از تغییر اقلیم است و ریشه در ضعف مدیریت و عدم پذیرش «خشکسالی فرهنگی» دارد؛ مسأله‌ای که باعث شده جامعه نتواند خود را با واقعیت‌های طبیعی وفق دهد و راه‌حل‌های علمی و فناوری موجود را به کار گیرد.

ترکیب هوش مصنوعی و مهندسی منابع آب دیگر آینده‌ای دور نیست؛ بلکه همین حالا نیز در جریان است. اما آنچه در آینده پیش‌رو داریم، حتی دگرگون‌کننده‌تر خواهد بود. در اینجا به چند مورد از روش‌هایی اشاره می‌شود که هوش مصنوعی طی دهه آینده رشته ما را متحول خواهد کرد:

شکل پیوست‌شده موقعیت بیش از یک میلیون حلقه چاه بهره‌برداری از منابع آب زیرزمینی در ایران را نشان می‌دهد که برداشت سالانه‌ای معادل ۴۱.۷ میلیارد متر مکعب دارند. این میزان برداشت سالانه را می‌توان با استفاده از شاخص نسبت برداشت به منابع تجدیدپذیر آب زیرزمینی تحلیل کرد. این شاخص ساده‌ترین و در عین حال علمی‌ترین معیار برای تعیین پایداری یا بحران در برداشت آب زیرزمینی است که از تقسیم حجم برداشت سالانه بر حجم تغذیه طبیعی سالانه سفره‌های آب زیرزمینی به دست می‌آید. هنگامی که این نسبت از عدد یک فراتر رود، به این معناست که میزان برداشت از سفره‌های آب بیش از تغذیه طبیعی آن‌هاست که به تخلیه ذخایر و وضعیت ناپایدار و بحرانی منابع منجر می‌شود.

بر اساس پیش‌بینی‌های انجام‌شده، احتمال بروز بحران آب در شهر تهران از نیمه دوم شهریور ماه به بعد افزایش می‌یابد. این پیش‌بینی‌ها بر پایه روندهای فعلی و داده‌های حاصل از تحلیل سری‌های زمانی جریان ورودی و خروجی مخازن آبی صورت گرفته است. در این گزارش، نمودارهای پیش‌بینی حجم مخازن سه سد اصلی تأمین‌کننده آب تهران شامل سدهای کرج، لتیان و ماملو ارائه شده‌اند. این سدها نقش محوری در تأمین آب شرب و مصارف شهری پایتخت دارند. در مقابل، سدهای لار و طالقان به دلیل نقش کمتر در تأمین مستقیم آب تهران در این مرحله از تحلیل مورد بررسی قرار نگرفته‌اند.

به گزارش خبرنگار شبکه خبری آب ایران، نخستین جلسه کارگروه دستورالعمل جامع کاربرد هوش مصنوعی در صنعت آب با حضور جمعی از مدیران حوزه آب کشور برگزار شد. مجتبی نوری، مدیرکل دفتر تحقیق، توسعه و فناوری اطلاعات شرکت مدیریت منابع آب ایران، در این جلسه ضمن تبریک آغاز این فرایند، از آن به عنوان رویدادی اثرگذار یاد کرد که می‌تواند مسیر آینده صنعت آب را به‌کلی دگرگون کند. وی با اشاره به تجربه شخصی‌اش در زمینه پایان‌نامه دانشگاهی در حوزه هوش مصنوعی، گفت: ۲۰ سال پیش، وقتی از هوش مصنوعی صحبت می‌کردیم، آن را بی‌ربط به مهندسی آب می‌دانستند؛ حتی استفاده ما از چت جی‌پی‌تی بیشتر در عرصه مدل‌سازی بود اما امروز می‌خواهیم هوش مصنوعی را به عنوان نیروی محرکه در تصمیم‌سازی‌ها، برنامه‌ریزی‌ها و عملیات فنی وارد صنعت آب کنیم.

یکی از ویژگی‌های انسانی که باعث می‌شود مهندسی آب به‌طور کامل به هوش مصنوعی واگذار نشود، توانایی استفاده از قضاوت تجربی و تصمیم‌گیری در شرایط عدم قطعیت است. در حوزه مهندسی آب، با چالش‌های متعددی نظیر تغییرات اقلیمی، عدم قطعیت‌های موجود در داده‌های هیدرولوژیکی و پیچیدگی‌های مربوط به سیستم‌های زیست‌محیطی روبه‌رو هستیم. در چنین شرایطی، تجربه و بینش انسانی – که شامل خلاقیت، هوش هیجانی و درک عمیق از شرایط محلی و زمینه‌ای می‌شود – نقش حیاتی در تفسیر داده‌ها و انتخاب راهکارهای بهینه دارد.

هوش مصنوعی قادر به تهیه محتوا است، این توانایی از طریق پردازش های بسیار پیچیده بر زبان های طبیعی و ایجاد مدل های تئوری از آنها انجام می شود؛ بنابراین هوش مصنوعی قادر به تشخیص متن های تولید شده توسط انسان از ماشین نیز هست. در یک بررسی برای یک مقاله نشان داده شده است که چطور ربات QuillBot قادر بوده تا به دقت متن های تولید شده توسط هوش مصنوعی را در چهار دسته به صورت زیر تشخیص دهد:

انتقال آلودگی‌های نفتی و فلزات سنگین در رودخانه‌ها به عوامل مختلفی بستگی دارد و می‌تواند تا ده‌ها یا حتی صدها کیلومتر ادامه یابد، در حالی که همچنان اثرات مخربی بر محیط زیست و سلامت انسان داشته باشد. آلودگی‌های نفتی معمولاً به دلیل چگالی کمتر از آب، روی سطح آن حرکت کرده و بسته به دبی و سرعت جریان رودخانه، در مدت کوتاهی می‌توانند به مناطق دوردست منتقل شوند. این آلودگی‌ها حتی پس از تبخیر بخش‌های سبک‌تر، ترکیبات سنگین و سمی مانند هیدروکربن‌های آروماتیک چندحلقه‌ای (PAHs) را در آب باقی می‌گذارند که برای اکوسیستم‌های آبی و انسان خطرناک هستند.

انتخاب روش مناسب بستگی به نوع داده‌ها، هدف مدل‌سازی و پیچیدگی مسئله دارد. همچنین، استفاده از نرم‌افزارهایی مانند MATLAB می‌تواند در پیاده‌سازی این مدل‌ها مفید باشد. در حوزه هیدرولوژی، استفاده از روش‌های یادگیری ماشین به‌طور گسترده‌ای برای مدل‌سازی و پیش‌بینی پدیده‌های مختلف به‌کار می‌رود. برخی از روش‌های شناخته‌شده و مؤثر در این زمینه عبارت‌اند از:

مدل‌های هیدرولوژیکی به‌طور گسترده در علوم و مهندسی محیط‌زیست برای درک فرایندها و پیش‌بینی استفاده می‌شوند. مدل‌ها بسته به نحوه‌ی نمایش فرایندها (مفهومی در برابر مدل‌های مبتنی بر فیزیک) و نحوه‌ی تقسیم‌بندی حوزه‌ی فیزیکی (از پیکربندی‌های ساده‌ی تجمیعی تا مدل‌های کاملاً توزیعی دقیق) متفاوت هستند. در مقیاس حوضه، مدل‌های مفهومی پرکاربردترین نوع مدل‌ها هستند، زیرا آن‌ها توانایی ثبت پویایی‌های هیدرولوژیکی را به شیوه‌ای ساده و محاسباتی سریع دارند.

روش منطقی یک فرمول تجربی است که معمولاً در مناطق شهری برای محاسبه نرخ‌های اوج رواناب به منظور طراحی ساختارهای زهکشی استفاده می‌شود. این روش در برآورد رواناب در نواحی نسبتاً کوچک مانند بام‌ها و پارکینگ‌ها مفید است. استفاده از معادله منطقی باید محدود به مساحت‌های زهکشی کمتر از 20 هکتار (انجمن عمومی کارهای عمومی آمریکا، 1974) با نوع پوشش و شیب تقریباً یکنواخت باشد.

این شاخص‌ها به صورت ترکیبی برای تصمیم‌گیری‌های مدیریتی و برنامه‌ریزی جهت حفاظت از منابع آب زیرزمینی مورد استفاده قرار می‌گیرند. شاخص‌های مطرح در تحلیل پایداری آبخوان‌ها به منظور ارزیابی مدیریت پایدار منابع آب زیرزمینی و جلوگیری از تخریب این منابع عبارتند از:

هوش مصنوعی می‌تواند ابزاری مکمل و مفید برای تحقیق، ایده‌پردازی و اصلاح مقالات باشد، اما کیفیت یک مقاله خوب همچنان به تخصص، درک موضوع و قضاوت انسانی نیاز دارد. تلفیق هوش مصنوعی و دانش انسانی بهترین نتیجه را ارائه می‌دهد. استفاده از هوش مصنوعی برای نوشتن یا بهبود مقالات می‌تواند ابزار بسیار مفیدی باشد، اما به دلایل زیر تضمین‌کننده کیفیت یک مقاله خوب نیست:

در پروژه‌ای که در دانشگاه تنسی و با حمایت مالی سازمان حفاظت محیط‌ زیست ایالات متحده آمریکا انجام شد، مجموعه‌ای گسترده از مطالعات برای ارزیابی تأثیرات استفاده شهری از زمین بر تغذیه آب زیرزمینی صورت گرفت. این مطالعه شامل مدل‌سازی آب سطحی و شبیه‌سازی یکپارچه آب زیرزمینی با استفاده از داده‌های میدانی جامع جمع‌آوری‌شده طی یک دوره زمانی طولانی بود. ابزارهای مورد استفاده برای برآورد اجزای تراز آبی در منطقه آزمایشی با نام حوزه شهری جکسون-تنسی متمرکز شدند. این حوزه به عنوان یک حوضه بسته شهری کوچک در حاشیه سفره آب زیرزمینی مهم ممفیس شناخته می‌شود.

هوش مصنوعی جایگزین MODFLOW نخواهد شد، بلکه به‌عنوان یک ابزار قدرتمند در کنار آن به کار گرفته خواهد شد. ترکیب این دو می‌تواند مدل‌سازی آب زیرزمینی را سریع‌تر، دقیق‌تر و موثرتر کند. استفاده از MODFLOW یا نرم‌افزارهای مشابه در آینده به طور کامل توسط هوش مصنوعی (AI) منسوخ نخواهد شد، بلکه تکامل خواهد یافت و مکمل آن خواهد شد. دلایل این موضوع را می‌توان به شرح زیر توضیح داد

در یک پروژه در یک منطقه نزدیک به ناحیه عسلویه در جنوب کشور ایران، چالش اصلی که ماندگاری جریانات ناشی از بارش های سیلابی در مجموعه ای از انبارها و مخازن ساخت یافته بود، مورد بررسی قرار گرفت. ماندگاری جریان به صورت دریاچه های کوچک سطحی با توزیع متفاوت از منظر شکل گیری در هر بارش بود. پرسش اصلی در این پروژه بعد از آن شکل گرفته بود که زهکش ها و کانال های تعبیه شده در این ناحیه که آب را به سمت دریافت منتقل می کرد، بعد از یک بارش شدید، به صورت آنچه پیشتر تصور شده بود، قادر به خروج آب از ناحیه نبود. بنابراین طرح بازنگری و اصلاح شبکه جمع آوری آب های سطحی این منطقه مورد پرسش قرار گرفته بود.

زمینه‌هایی که نیازمند همدلی، خلاقیت اصیل و درک انسانی هستند، کمترین شانس را برای جایگزینی توسط AI دارند. بر همین اساس، افرادی که در این حوزه‌ها تخصص دارند، در آینده مزیت بیشتری خواهند داشت. ترتیب زمینه‌هایی که هوش مصنوعی در آن‌ها شانس کمتری برای پیشرفت دارد، با توجه به ضعف‌های ذاتی AI (مانند عدم خلاقیت اصیل، ناتوانی در همدلی و درک انسانی) به شرح زیر است:

در پروژه‌ای برای شبیه‌سازی سیلاب در یکی از حوضه‌های آبریز منطقه Yingcheng در Xiaogan، جنوب چین، یک چالش خاص مشاهده شد: روند افزایش شدت جریان‌های سیلابی رودخانه. این منطقه که با تشکیلات متراکم کارستی و کوه‌های مخروطی شکل (sugarloaf mountains) شناخته می‌شود، هنگام بارش‌های سنگین، مخازن زیرزمینی و حفره‌های متعدد آن به حالت اشباع می‌رسند. این موضوع به تخلیه غیرفرآیندی آب از این مناطق منجر می‌شود. به همین دلیل، اگر در چنین شرایطی یک رویداد بارشی دیگر رخ دهد، جریان آب در مسیر پایین‌دست تشدید می‌شود. این وضعیت می‌تواند حجم آب را، به‌ویژه در مناطقی مانند شهرستان پینگل (Pingle County)، به طور قابل توجهی افزایش دهد.