دموکراتیک کردن داده‌های آلودگی
جهان صنعت – آلودگی هوا دیگر یک اتفاق فصلی و محدود به چند روز سرد سال نیست؛ به مساله‌ای مزمن در زندگی شهروندان ایرانی تبدیل شده است. سال‌هاست در پاییز و زمستان، شاخص‌های آلودگی در کلانشهرها بالا می‌رود، مدارس تعطیل می‌شوند، توصیه‌های بهداشتی تکرار می‌شود، محدودیت‌های موقت ترافیکی به اجرا درمی‌آید و مسوولان از ضرورت کنترل منابع آلاینده سخن می‌گویند اما با پایان یک دوره آلودگی، مساله عملا به انتظار برای بحران بعدی سپرده می‌شود. در این میان، یک حلقه اساسی در زنجیره حکمرانی آلودگی هوا کمتر موردتوجه قرار گرفته؛ ما تا چه اندازه واقعا می‌دانیم هوایی که تنفس می‌کنیم کجا، چه زمانی و به چه علت آلوده شده است؟
پاسخ به این پرسش بدون یک نظام پایش دقیق، پیوسته، گسترده و قابل‌اعتماد امکان‌پذیر نیست. پایش کیفیت هوا صرفا مجموعه‌ای از دستگاه‌ها و ایستگاه‌هایی نیست که اعداد مربوط به ذرات معلق یا گازهای آلاینده را ثبت کنند. داده‌های پایش، در واقع چشم و گوش نظام حکمرانی محیط‌زیست هستند. اگر این چشم و گوش درست کار نکنند، سیاستگذار ممکن است درباره منشا آلودگی، گروه‌های در معرض خطر، اثربخشی سیاست‌های کنترل آلودگی و حتی اولویت سرمایه‌گذاری‌های عمومی تصمیم‌هایی بگیرد که نه‌تنها موثر نیستند بلکه منابع محدود کشور را نیز هدر می‌دهند.
گزارش «روش‌های نوین پایش کیفیت هوای محیطی در ایران» که ازسوی مرکز پژوهش‌های مجلس منتشر شده، دقیقا از همین نقطه آغاز می‌کند و نشان می‌دهد که مساله ایران فقط کمبود تجهیزات اندازه‌گیری نیست. در کشور طی حدود دودهه گذشته، شبکه‌ای از ایستگاه‌های پایش شکل گرفته است اما ضعف در پوشش مکانی، تداوم داده، کالیبراسیون، نگهداشت تجهیزات و یکپارچگی اطلاعات باعث شده تا ظرفیت واقعی این شبکه به‌طورکامل مورداستفاده قرار نگیرد. براساس این گزارش، تا سال ۱۴۰۳ حدود ۴۳۷ایستگاه پایش کیفیت هوا در کشور نصب شده بود اما تنها ۱۷۶ایستگاه یعنی حدود ۴۰درصد، برای ذرات معلق PM2.۵ داده معتبر در اختیار داشته‌اند.
این اعداد یک واقعیت مهم را آشکار می‌کنند؛ داشتن ایستگاه الزاما به‌معنای داشتن اطلاعات قابل‌اتکا نیست. ممکن است در ظاهر شبکه‌ای بزرگ از تجهیزات داشته باشیم اما اگر بخشی از آنها خراب باشند، کالیبراسیون آنها به‌روز نباشد، داده‌های‌شان پیوستگی زمانی نداشته باشد یا محل استقرارشان دیگر با شرایط واقعی شهر سازگار نباشد، افزایش تعداد دستگاه‌ها لزوما به‌معنای افزایش توان تصمیم‌گیری نیست. مساله اصلی در چنین شرایطی نه «کمبود عددی تجهیزات» بلکه کیفیت و معماری نظام پایش است.
از همین منظر باید در نگاه خود به آلودگی هوا تجدیدنظر کنیم. ایران برای مدیریت این بحران به یک‌دستگاه یا حتی چندصددستگاه بیشتر نیاز ندارد؛ به یک اکوسیستم داده‌ای نیاز دارد؛ اکوسیستمی که در آن ایستگاه‌های مرجع، حسگرهای کم‌هزینه، ماهواره‌ها، پهپادها، مدل‌های عددی و هوش‌مصنوعی هرکدام وظیفه‌ای مشخص داشته باشند و داده‌های آنها در یک نظام استاندارد و شفاف به اطلاعات قابل‌استفاده برای سیاستگذاری تبدیل شود.
براساس داده‌های گزارش، بیشترین تعداد ایستگاه‌ها در استان‌های تهران، خوزستان، خراسان‌رضوی و اصفهان قرار دارد و مجموع ایستگاه‌های این چهاراستان حدود ۴۲درصد کل ایستگاه‌های کشور را تشکیل می‌دهد. درمقابل، در سال ۱۴۰۳، شش‌استان هرمزگان، کهگیلویه‌وبویراحمد، گلستان، لرستان، اردبیل و مازندران هیچ ایستگاه معتبر PM2.۵ نداشته‌اند.
این وضعیت نشان می‌دهد که مساله پایش کیفیت هوا در ایران فقط «تعداد ایستگاه‌ها» نیست بلکه مکان ایستگاه، نوع ایستگاه و کیفیت داده نیز به همان اندازه اهمیت دارد. یک ایستگاه ترافیکی، یک ایستگاه شهری، یک ایستگاه صنعتی و یک ایستگاه پس‌زمینه، اساسا برای پاسخ به پرسش یکسانی طراحی نشده‌اند. هرکدام نماینده نوع خاصی از شرایط محیطی هستند بنابراین نمی‌توان داده همه آنها را بدون توجه به کاربری و موقعیت، در یک سبد قرار داد و سپس از آن یک تصویر دقیق از وضعیت آلودگی شهر استخراج کرد. گزارش تصریح می‌کند که نبود استاندارد و دستورالعمل مدون در زمینه طبقه‌بندی ایستگاه‌ها در کشور، یکی از مشکلات موجود است و در برخی موارد، داده انواع مختلف ایستگاه‌ها به‌شکل یکسان مورداستفاده قرار می‌گیرد.
این در حالی است که شهرها نیز در طول زمان تغییر می‌کنند. ممکن است ایستگاهی ۱۰ یا ۱۵سال قبل در محلی نصب شده باشد که در آن زمان نماینده مناسبی برای یک منطقه شهری بوده است اما توسعه ساختمان‌ها، تغییر مسیرهای ترافیکی، ایجاد مراکز تجاری یا صنعتی و تغییر کاربری زمین، شرایط محیطی اطراف آن را کاملا دگرگون کرده باشد. پس حتی اگر دستگاه هنوز روشن باشد و عدد تولید کند، سوال اساسی این است که آیا آن عدد همچنان همان چیزی را اندازه‌گیری می‌کند که برای آن طراحی شده بود؟
ایستگاهی که کالیبره نیست، فقط یک عدد تولید می‌کند. مشکل دوم، کیفیت اندازه‌گیری است. در هر نظام پایش علمی، کالیبراسیون تجهیزات موضوعی حاشیه‌ای نیست؛ پایه اعتبار داده‌هاست. اگر ابزار اندازه‌گیری درست تنظیم نشده باشد، افزایش تعداد داده‌ها به خودی خود ارزش علمی یا سیاستی آنها را افزایش نمی‌دهد. گزارش یکی از چالش‌های اصلی شبکه ایران را ضعف کالیبراسیون، هزینه بالای آن، نیاز به تجهیزات مرجع و کمبود نیروی متخصص می‌داند. بخشی از داده‌های موجود در نتیجه همین مشکلات ممکن است با عدم‌قطعیت بالا همراه باشد یا نتواند برای تحلیل‌های دقیق علمی و سیاستی مورد استفاده قرار گیرد.
این مشکل در زمان ورود فناوری‌های جدید حتی اهمیت بیشتری پیدا می‌کند. در سال‌های اخیر حسگرهای کم‌هزینه به یکی از جذاب‌ترین فناوری‌های حوزه پایش هوا تبدیل شده‌اند. این حسگرها ارزان‌تر، کوچک‌تر و قابل‌نصب در تعداد زیاد هستند و می‌توان آنها را در مدارس، محله‌ها، بیمارستان‌ها، مسیرهای پرتردد و مناطق صنعتی نصب کرد اما ارزان بودن به‌معنای بی‌نیازی از کنترل کیفیت نیست.
بازطراحی شبکه موجود
سوال اساسی این است که آیا شبکه فعلی هنوز از نظر علمی و مکانی درست طراحی شده است؟ گزارش بر ضرورت بازنگری و بازطراحی علمی شبکه موجود تاکید ویژه دارد. جانمایی برخی ایستگاه‌ها به‌خصوص ایستگاه‌هایی که بیش از یک‌دهه از نصب آنها گذشته، ممکن است دیگر با استانداردهای جدید یا شرایط فعلی شهرها مطابقت نداشته باشد. فاصله از ساختمان‌ها و موانع، نزدیکی به خیابان‌های پرترافیک، ارتفاع نصب، جهت باد غالب و نوع کاربری ایستگاه باید دوباره ارزیابی شود. بنابراین توسعه پایش نوین باید از یک ممیزی جدی شبکه موجود آغاز شود. باید مشخص شود کدام ایستگاه‌ها داده معتبر تولید می‌کنند، کدام تجهیزات فرسوده‌اند، کدام نقاط فاقد پوشش هستند و کدام مناطق به‌دلیل رشد شهری یا تغییر منابع انتشار، به ایستگاه جدید نیاز دارند.
باید تاکید کنیم شبکه متراکم حسگر بدون نظام کالیبراسیون و استانداردسازی، ممکن است به‌جای حل مساله، بر حجم داده‌های نامطمئن بیفزاید.
منشا آلودگی کجاست؟
یکی از بزرگ‌ترین تحولات پایش مدرن این است که هدف دیگر صرفا اندازه‌گیری غلظت آلاینده نیست. سیاستگذار امروز می‌خواهد بداند منشا آلودگی کجاست؟ فرض کنیم شاخص PM2.۵ در یک شهر افزایش یافته است. دانستن این موضوع مهم است اما برای سیاستگذاری کافی نیست. باید مشخص شود چه میزان از این آلودگی از خودروهای دیزلی، چه میزان از خودروهای سواری، چه میزان از صنایع، چه میزان از گردوغبار و چه میزان از فرآیندهای شیمیایی ثانویه ناشی شده است. فناوری‌های جدید آنالیز برخط ذرات معلق دقیقا در همین نقطه اهمیت پیدا می‌کنند. این تجهیزات می‌توانند ترکیب شیمیایی ذرات را در بازه‌های زمانی کوتاه بررسی کنند و با شناسایی الگوهای شیمیایی، به منشایابی آلودگی کمک کنند. برای مثال، برخی عناصر می‌توانند نشانه منابع صنعتی یا احتراقی خاص باشند، همچنین نسبت کربن آلی و کربن عنصری می‌تواند اطلاعاتی درباره سهم منابع احتراقی مانند ترافیک دیزلی یا سوزاندن پسماند ارائه کند. اهمیت این فناوری در یک جمله خلاصه می‌شود؛ سیاستگذار باید بداند برای کاهش آلودگی، کدام شیر را ببندد.
اگر مشخص شود در یک دوره آلودگی، سهم اصلی مربوط به ناوگان دیزلی است، سیاست باید بر حمل‌ونقل متمرکز شود؛ اگر صنایع نقش اصلی را داشته باشند، نظارت بر آنها اهمیت بیشتری پیدا می‌کند و اگر گردوغبار عامل غالب باشد، نسخه حمل‌ونقلی به‌تنهایی پاسخگو نخواهد بود. بدون منشایابی، سیاستگذاری ممکن است به مجموعه‌ای از اقدامات عمومی و کم‌اثر تبدیل شود.
دوربین، پهپاد و هوش‌مصنوعی؛ نسل بعدی پایش پایش مدرن فقط به ایستگاه و ماهواره محدود نمی‌شود. دوربین‌ها نیز می‌توانند به جریان داده‌های محیطی وارد شوند. با استفاده از پردازش تصویر و الگوریتم‌های یادگیری ماشین، می‌توان تغییرات دید، دود و برخی نشانه‌های بصری آلودگی را شناسایی کرد. این روش به‌ویژه در شناسایی دودکش‌های آلاینده، خودروهای دودزا یا آغاز برخی رخدادهای گردوغبار می‌تواند مکمل شبکه رسمی باشد. پهپادها نیز امکان دیگری هستند. برخلاف ایستگاه زمینی که عمدتا اطلاعات نزدیک سطح زمین را ارائه می‌دهد، پهپاد می‌تواند در ارتفاعات مختلف اندازه‌گیری انجام دهد و به مناطق صنعتی یا خطرناک نزدیک شود. پایش مشعل‌سوزی در صنایع نفت و گاز، بررسی انتشار صنایع و پسماندسوزی ازجمله کاربردهای قابل تصور آن در ایران است. البته محدودیت زمان پرواز، شرایط جوی، مجوزهای پروازی و تاثیر ارتعاش و جریان هوا بر حسگرها باعث می‌شود پهپاد نیز بیشتر به‌عنوان ابزار مکمل دیده شود.
اما شاید مهم‌ترین فناوری در معماری آینده، خود دستگاه اندازه‌گیری نباشد؛ بلکه هوش‌مصنوعی باشد. داده‌های پایش وقتی از منابع مختلف می‌آیند، حجم و پیچیدگی زیادی پیدا می‌کنند. هوش‌مصنوعی می‌تواند داده‌های ایستگاه‌های زمینی، حسگرهای کم‌هزینه، ماهواره، هواشناسی و ترافیک را با یکدیگر ترکیب کند و برای پیش‌بینی آلودگی مورداستفاده قرار دهد.
در چنین الگویی، هدف دیگر این نیست که پس از آلوده شدن هوا به مردم بگوییم هوا آلوده است. هدف این است که چند ساعت یا چند روز قبل، احتمال وقوع یک رخداد شدید آلودگی پیش‌بینی شود تا امکان واکنش پیشگیرانه وجود داشته باشد.
البته هوش‌مصنوعی معجزه نیست. اگر داده آموزشی ناقص یا بی‌کیفیت باشد، مدل نیز خروجی قابل‌اعتمادی نخواهد داشت. مدل‌های پیچیده همچنین ممکن است تفسیرپذیری پایینی داشته باشند بنابراین هوش‌مصنوعی باید بر یک زیرساخت داده‌ای سالم سوار شود، نه اینکه جایگزین آن شود. مدل‌سازی؛ تبدیل داده به سناریو مدل‌سازی عددی گام دیگری در این مسیر است. مدل‌های شیمی ـ انتقال می‌توانند فرآیندهای جوی و شیمیایی را شبیه‌سازی کنند و نشان دهند تغییر در انتشار منابع مختلف چگونه بر کیفیت هوا اثر می‌گذارد.
این قابلیت برای سیاستگذاری اهمیت زیادی دارد. سیاستگذار می‌تواند پیش از اجرای یک طرح، سناریوهای مختلف را آزمایش کند. اگر انتشار صنعتی ۳۰درصد کاهش یابد چه اتفاقی می‌افتد؟ اگر تردد خودروها در یک منطقه محدود شود، چه اثری خواهد داشت؟ اگر ناوگان فرسوده نوسازی شود، کدام آلاینده بیشتر کاهش می‌یابد؟
به‌این‌ترتیب، سیاستگذاری از واکنش پس از بحران به‌سمت آزمایش و ارزیابی پیش از اجرا حرکت می‌کند.
مدل‌سازی البته به کیفیت داده‌های ورودی، موجودی انتشار و زیرساخت محاسباتی وابسته است و نباید نتایج آن بدون توجه به عدم‌قطعیت‌ها قطعی تلقی شود اما در یک نظام پایش مدرن، مدل‌سازی یکی از ابزارهای اصلی برای پیوند دادن مشاهده، پیش‌بینی و سیاستگذاری است.
تجربه جهان
تجربه کشورهای مختلف نشان می‌دهد که تحول در پایش کیفیت هوا پیش از آنکه داستان خرید تجهیزات باشد، داستان حکمرانی داده است. اتحادیه اروپا شبکه‌ای گسترده از ایستگاه‌های پایش ایجاد کرده و داده‌ها را از طریق سامانه‌های مشترک در دسترس عموم قرار داده است. در کنار شبکه زمینی، برنامه کوپرنیکوس و سرویس پایش جوی آن، داده‌های ماهواره‌ای را وارد نظام رسمی پایش کرده‌اند. اتحادیه اروپا همچنین برای استفاده از حسگرهای کم‌هزینه به‌سمت استانداردسازی، ارزیابی و کالیبراسیون حرکت کرده است.
درس اروپا برای ایران روشن است؛ شبکه ملی باید یک شبکه واقعی باشد، نه مجموعه‌ای از سامانه‌های جدا از هم.
در آمریکا نیز داده‌های کیفیت هوا به‌صورت برخط و در قالب‌های استاندارد منتشر می‌شوند و همین داده باز، زمینه شکل‌گیری خدمات و برنامه‌های متعدد توسط دانشگاه‌ها، شرکت‌های خصوصی و جامعه مدنی را فراهم کرده است. در شهرهایی مانند لس‌آنجلس و نیویورک، پایش محله‌محور برای شناسایی نقاط داغ آلودگی و بررسی نابرابری‌های محیطی مورد استفاده قرار گرفته است.
چین تجربه دیگری ارائه می‌دهد. این کشور شبکه‌ای بزرگ از ایستگاه‌های پایش ایجاد کرده و همزمان نظارت بر صنایع را با سامانه‌های پایش برخط انتشار پیوند داده است. داده‌ها نه‌فقط برای گزارش‌دهی بلکه برای شناسایی تخلفات، رتبه‌بندی عملکرد صنایع و اجرای مقررات مورداستفاده قرار می‌گیرند. درس اصلی این تجربه آن است که ارزش داده زمانی آشکار می‌شود که به اقدام اجرایی متصل شود.
هند به‌دلیل شدت بحران آلودگی در کلانشهرهایی مانند دهلی، به‌سمت توسعه شبکه‌های متراکم حسگرها، استفاده از ماهواره و مدل‌های پیش‌بینی حرکت کرده است. تجربه این کشور نشان می‌دهد حتی در شرایط محدودیت منابع، می‌توان با ترکیب ایستگاه‌های مرجع، حسگرهای کم‌هزینه و سنجش از دور، پوشش اطلاعاتی را افزایش داد.
ترکیه یک درس ساده‌تر اما بسیار مهم دارد؛ «شفافیت» خودش یک فناوری حکمرانی است. انتشار عمومی داده‌های کیفیت هوا باعث شده تا رسانه‌ها و سازمان‌های مردم‌نهاد بتوانند عملکرد نهادهای مسوول را بهتر ارزیابی کنند و همین فشار اجتماعی به بهبود تدریجی سیاست‌ها کمک کرده است.
کره‌جنوبی نیز نمونه‌ای از ترکیب دقیق اندازه‌گیری زمینی، ماهواره، مدل‌سازی، حسگرهای کم‌هزینه و تحلیل هوشمند ارائه می‌دهد. این کشور با راه‌اندازی ماهواره GEMS امکان رصد ساعتی برخی آلاینده‌ها را فراهم کرده و داده‌های آن را با سامانه‌های پیش‌بینی و شبکه زمینی پیوند داده است. سامانه AirKorea نیز داده‌ها و هشدارهای مرتبط با آلودگی را در اختیار مردم قرار می‌دهد.
اگر بخواهیم یک نتیجه مشترک از این تجربه‌ها استخراج کنیم، باید گفت که کشورهای موفق در پایش هوا یک اشتباه را تکرار نکرده‌اند؛ آنها پایش را هدف نهایی ندانسته‌اند.
هدف تولید داده نیست، تبدیل داده به تصمیم است
جزیره‌های داده و فقدان یک مغز مرکزی در ایران، بخشی از مشکل به پراکندگی نهادی بازمی‌گردد. سازمان حفاظت محیط‌زیست، شهرداری‌ها، وزارت‌بهداشت، سازمان هواشناسی و نهادهای دیگر هرکدام به نحوی با موضوع کیفیت هوا ارتباط دارند. در چنین شرایطی، اگر داده‌ها با استانداردهای متفاوت تولید شوند، در سامانه‌های جداگانه باقی بمانند یا دسترسی به آنها دشوار باشد، ظرفیت اطلاعاتی کشور تکه‌تکه می‌شود. راه‌حل، الزاما ایجاد سازمان‌های جدید نیست. در گام نخست باید یک پلتفرم ملی یکپارچه داده کیفیت هوا شکل بگیرد؛ سامانه‌ای که داده‌های ایستگاه‌های مرجع، حسگرهای کم‌هزینه، ماهواره‌ها و درصورت امکان داده‌های انتشار صنایع را در یک معماری استاندارد جمع‌آوری، کنترل و منتشر کند.
گزارش نیز ارتقای شبکه ملی یکپارچه و انتشار برخط داده‌ها همراه با API عمومی را از مهم‌ترین پیشنهادهای سیاستی خود می‌داند. چنین سامانه‌ای باید امکان دسترسی شهروندان، پژوهشگران، رسانه‌ها، شرکت‌های دانش‌بنیان و نهادهای نظارتی را فراهم کند.
این پیشنهاد در ظاهر فنی است اما در عمق خود یک اصلاح حکمرانی محسوب می‌شود.
وقتی داده عمومی باشد، پژوهشگر می‌تواند آن را تحلیل کند، روزنامه‌نگار می‌تواند روندها را بررسی کند، شرکت دانش‌بنیان می‌تواند محصول جدید بسازد، دانشگاه می‌تواند مدل پیش‌بینی توسعه دهد و شهروند می‌تواند درباره کیفیت هوایی که تنفس می‌کند، اطلاعات مستقیم داشته باشد.
پایش باید به تصمیم وصل شود
بزرگ‌ترین خطر آن است که کشور یک «ابرداده» بسازد اما همچنان آلودگی هوا را با همان شیوه قبلی مدیریت کند.
داده زمانی ارزش دارد که در یک زنجیره تصمیم قرار گیرد. اگر مدل پیش‌بینی نشان دهد فردا در یک منطقه احتمال آلودگی شدید وجود دارد، چه کسی باید اقدام کند؟ آیا وزارت بهداشت باید به بیمارستان‌ها و گروه‌های حساس هشدار دهد؟ آیا شهرداری باید حمل‌ونقل عمومی را تقویت کند؟ آیا پلیس باید محدودیت‌های مشخصی اعمال کند؟ آیا سازمان محیط‌زیست باید فعالیت برخی منابع آلاینده را بررسی کند؟
در کشورهای موفق، چنین پیوندی تا حد زیادی طراحی شده است. گزارش نمونه‌هایی از فرانسه، سنگاپور و کالیفرنیا ارائه می‌کند که در آنها داده پایش به تصمیم‌های حوزه سلامت، حمل‌ونقل و برنامه‌ریزی شهری متصل شده است. این دقیقا همان حلقه‌ای است که در ایران نیازمند تقویت است. ما نباید فقط سامانه‌ای داشته باشیم که بگوید «امروز هوا ناسالم است». باید سامانه‌ای داشته باشیم که بتواند بگوید چرا ناسالم است، کدام منطقه ناسالم‌تر است، چه منبعی نقش اصلی دارد، فردا چه خواهد شد و کدام اقدام بیشترین اثر را خواهد داشت.
تفاوت میان این 2نگاه
تفاوت میان «پایش» و «حکمرانی هوشمند» است. ایران به یک نقشه‌راه نیاز دارد. باتوجه به وضعیت موجود، اصلاح شبکه پایش را نمی‌توان با یک خرید گسترده تجهیزات آغاز کرد. نخست باید شبکه موجود ارزیابی و بازطراحی شود. سپس یک سامانه ملی یکپارچه داده ایجاد شود. پس از آن، چارچوب استاندارد استفاده از حسگرهای کم‌هزینه تدوین شود و در چند کلانشهر، پایلوت‌های پایش ترکیبی اجرا شود. گزارش پیشنهاد می‌کند اجرای آزمایشی در دو تا سه‌کلانشهر بحرانی انجام شود تا پیش از تعمیم ملی، مشکلات فنی و نهادی شناسایی شود.
این رویکرد منطقی‌تر از آن است که یک‌باره پروژه‌ای ملی و پرهزینه اجرا شود. پایلوت به کشور اجازه می‌دهد تا بفهمد چه ترکیبی از ایستگاه مرجع، حسگر، ماهواره و مدل در شرایط واقعی ایران بیشترین کارایی را دارد. در مرحله بعد می‌توان شبکه حسگرها را به‌صورت هدفمند توسعه داد؛ نه اینکه صرفا در هر نقطه‌ای دستگاه نصب شود. اولویت باید با مناطق پرتراکم، مدارس، بیمارستان‌ها، مناطق صنعتی، مسیرهای پرتردد، حاشیه شهرها و نقاط فاقد پوشش باشد.
همزمان باید استفاده ساختاریافته از داده‌های ماهواره‌ای و توسعه مدل‌های پیش‌بینی تقویت شود. گزارش تاکید می‌کند که ترکیب داده‌های سنجش از دور با اندازه‌گیری‌های زمینی می‌تواند شکاف‌های مکانی را کاهش دهد و پیش‌بینی گردوغبار و سایر رخدادهای آلودگی را بهبود بخشد.
هرچقدر فناوری پیچیده‌تر شود، نیاز به نیروی انسانی متخصص نیز بیشتر خواهد شد. نمی‌توان تجهیزات پیشرفته خریداری کرد و انتظار داشت صرفا با آموزش‌های کوتاه‌مدت، یک نظام پایش مدرن شکل بگیرد. کالیبراسیون، کنترل کیفیت، تحلیل داده‌های ماهواره‌ای، مدل‌سازی، یادگیری ماشین، نگهداشت تجهیزات و تفسیر داده‌ها هرکدام تخصص‌های مستقلی هستند بنابراین تحول پایش باید با برنامه آموزش و توانمندسازی نیروی انسانی همراه باشد.
گزارش نیز ایجاد دوره‌های تخصصی، گواهینامه‌های حرفه‌ای، همکاری با دانشگاه‌ها و مراکز پژوهشی و طراحی نظام ارتقای شغلی برمبنای شایستگی فنی را ضروری می‌داند. این موضوع اهمیت زیادی دارد زیرا یکی از مشکلات پروژه‌های فناورانه در ایران این است که گاهی تجهیزات پیشرفته سریع‌تر از ظرفیت انسانی و نهادی لازم برای بهره‌برداری از آنها توسعه پیدا می‌کنند. نتیجه، دستگاه‌هایی است که در ابتدا با هزینه قابل‌توجه خریداری می‌شوند اما چند سال بعد به‌دلیل خرابی، نبود قطعه، ضعف نگهداشت یا کمبود متخصص، از چرخه بهره‌برداری خارج می‌شوند.
ضرورت شفافیت داده
انتشار داده کیفیت هوا نباید لطف دستگاه‌های دولتی به شهروندان تلقی شود. شهروند حق دارد، بداند هوایی که تنفس می‌کند چه وضعیتی دارد و این اطلاعات باید قابل‌فهم، به‌موقع و قابل‌دسترسی باشد. شفافیت البته فقط برای مردم نیست بلکه برای خود دولت نیز مفید است. وقتی داده‌ها عمومی باشند، خطاها سریع‌تر شناسایی می‌شوند، پژوهشگران مستقل می‌توانند آنها را بررسی کنند و نهادهای مسوول ناچار خواهند بود درباره روندهای نامطلوب توضیح دهند. تجربه ترکیه، آمریکا و کره‌جنوبی نشان می‌دهد که انتشار عمومی داده می‌تواند به شکل‌گیری یک چرخه بازخورد منجر شود؛ داده منتشر می‌شود، جامعه آن را تحلیل می‌کند، مطالبه عمومی شکل می‌گیرد و دستگاه مسوول برای اصلاح عملکرد، تحت‌فشار قرار می‌گیرد. در ایران نیز باید از همین ظرفیت استفاده کرد. داشبورد عمومی، نقشه‌های لحظه‌ای، آرشیو داده، API باز و استانداردهای مشخص انتشار اطلاعات می‌تواند یک‌گام مهم در این مسیر باشد.
پایش آلودگی هوا باید از بحران عبور کند
سال‌هاست بخش مهمی از مدیریت آلودگی هوا در ایران در وضعیت اضطرار انجام می‌شود. وقتی شاخص بالا می‌رود، جلسه تشکیل می‌شود؛ وقتی مدارس در معرض خطر قرار می‌گیرند، تعطیلی اعلام می‌شود؛ وقتی هوا ناسالم می‌شود، محدودیت‌های مقطعی اعمال می‌شود اما چنین رویکردی اساسا واکنشی است.
پایش نوین این امکان را فراهم می‌کند که از مدیریت واکنشی به مدیریت پیشگیرانه حرکت کنیم. اگر داده‌های زمینی، ماهواره‌ای، هواشناسی، ترافیکی و مدل‌های پیش‌بینی با یکدیگر ترکیب شوند، می‌توان چند ساعت تا چند روز جلوتر درباره احتمال وقوع یک رخداد آلودگی هشدار داد. در چنین شرایطی، تصمیم‌ها می‌توانند پیش از بحران اتخاذ شوند، نه پس از آن.
البته این تغییر فقط با فناوری رخ نمی‌دهد. فناوری باید در خدمت یک ساختار نهادی مشخص قرار گیرد. باید معلوم باشد چه نهادی داده را تولید می‌کند، چه نهادی کیفیت آن را تضمین می‌کند، چه نهادی آن را تحلیل می‌کند و چه نهادی موظف است براساس خروجی تحلیل اقدام کند.
از «پایش» به «حکمرانی»
شاید مهم‌ترین نتیجه گزارش را بتوان در یک تغییر مفهومی خلاصه کرد اینکه پایش کیفیت هوا دیگر نباید یک فعالیت صرفا فنی یا آزمایشگاهی تلقی شود. پایش بخشی از نظام حکمرانی است. ایستگاه مرجع، حسگر، ماهواره، پهپاد، دوربین و مدل هوش‌مصنوعی هرکدام فقط یک ابزار هستند. ارزش آنها زمانی آشکار می‌شود که داده‌های‌شان در یک زنجیره منطقی قرار گیرد؛ مشاهده، اعتبارسنجی، تحلیل، پیش‌بینی، تصمیم و اقدام. اگر این زنجیره کامل نباشد، حتی پیشرفته‌ترین تجهیزات نیز نمی‌توانند بحران آلودگی هوا را حل کنند.
ازهمین‌رو، نسخه ایران نباید کپی ساده تجربه اروپا، آمریکا، چین یا کره‌جنوبی باشد. شرایط جغرافیایی، نهادی و اقتصادی کشور متفاوت است اما یک اصل مشترک در همه این تجربه‌ها وجود دارد. هیچ کشوری با تکیه بر چند ایستگاه منفرد و داده‌های پراکنده نتوانسته است مدیریت مدرن آلودگی هوا را بنا کند. ایران نیز ناگزیر است از همین مرحله عبور کند. انتخاب امروز، هزینه فردا را تعیین می‌کند. آلودگی هوا برای ایران هزینه‌های سنگینی ایجاد کرده است.
براساس گزارشی که در متن گزارش مرکز پژوهش‌های مجلس به آن استناد شده، تعداد مرگ‌های زودرس منتسب به مواجهه با آلودگی هوای محیطی در سال ۱۴۰۳ در افراد بالای ۳۰سال حدود ۵۸هزار و ۹۷۵نفر برآورد شده و خسارت اقتصادی منتسب به مرگ‌ها و بیماری‌های ناشی از آلودگی هوا حدود ۲/۱۷میلیارددلار تخمین زده شده است.
این ارقام نشان می‌دهد که هزینه اصلاح نظام پایش در مقایسه با هزینه‌های مستقیم و غیرمستقیم آلودگی هوا، موضوعی فرعی نیست. مساله اصلی این است که سرمایه‌گذاری چگونه انجام شود. اگر منابع محدود کشور صرف خرید تجهیزات پراکنده و بدون برنامه شود، ممکن است چند سال دیگر دوباره با همان مشکلات مواجه باشیم اما اگر سرمایه‌گذاری در قالب یک معماری ملی انجام شود که استاندارد، کالیبراسیون، داده باز، نیروی انسانی، مدل‌سازی و پیوند با تصمیم‌گیری را همزمان ببیند، می‌توان امیدوار بود که پایش از یک فعالیت هزینه‌بر به یک زیرساخت موثر برای کاهش هزینه‌های آلودگی تبدیل شود. ایران امروز بیش از هر چیز به یک تصمیم روشن نیاز دارد؛ پایش کیفیت هوا باید به‌عنوان زیرساخت حکمرانی محیط‌زیست به رسمیت شناخته شود.
این تصمیم باید چند نتیجه عملی داشته باشد؛ شبکه موجود بازطراحی شود، داده‌ها در یک سامانه ملی یکپارچه جمع شوند، استاندارد استفاده از حسگرهای کم‌هزینه تدوین شود، ماهواره و مدل‌سازی وارد چرخه رسمی پایش شوند، داده‌ها به‌صورت شفاف در اختیار جامعه قرار گیرند، در چند کلانشهر پایلوت‌های ترکیبی اجرا شود و مهم‌تر از همه، داده‌ها به سازوکارهای سلامت، حمل‌ونقل، صنعت و مدیریت شهری متصل شوند. گزارش مرکز پژوهش‌های مجلس نیز در جمع‌بندی خود بر همین مسیر تاکید می‌کند و گذار از شبکه‌های پراکنده و کم‌کیفیت به یک نظام یکپارچه، شفاف و سلامت‌محور را ضروری می‌داند؛ نظامی که ترکیب ایستگاه‌های مرجع، حسگرهای کم‌هزینه، داده‌های ماهواره‌ای و هوش‌مصنوعی را به مبنای تصمیم‌گیری تبدیل کند. مساله امروز ایران دیگر این نیست که آیا فناوری‌های لازم برای چنین تحولی وجود دارند یا نه. بسیاری از این فناوری‌ها در جهان آزموده شده‌اند و بخشی از ظرفیت آنها نیز در داخل کشور وجود دارد. مساله اصلی، چگونگی کنار هم قرار دادن آنها در یک نظام منسجم و قابل‌اتکاست. اگر هنوز آلودگی هوا را فقط با عدد شاخص کیفیت هوا می‌سنجیم، درواقع فقط بخشی از مساله را می‌بینیم. عدد به ما می‌گوید هوا چقدر آلوده است اما یک نظام پایش مدرن باید بتواند پاسخ دهد که این آلودگی از کجا آمده، چه کسانی بیشتر در معرض آن هستند، فردا چه اتفاقی خواهد افتاد و کدام سیاست می‌تواند بیشترین اثر را داشته باشد. درنهایت، تفاوت میان یک نظام سنتی پایش و یک نظام مدرن دقیقا در همین‌جاست؛ اولی آلودگی را ثبت می‌کند و دومی آلودگی را می‌فهمد.
ایران اگر می‌خواهد از چرخه تعطیلی، هشدار، محدودیت موقت و بازگشت دوباره بحران خارج شود، باید از مرحله ثبت عبور کند و به مرحله فهم برسد. برای این کار نه یک دستگاه جادویی وجود دارد و نه یک راه‌حل کوتاه‌مدت. آنچه لازم است، ساختن یک اکوسیستم ملی داده است؛ اکوسیستمی که در آن اندازه‌گیری دقیق، پوشش گسترده، شفافیت، تحلیل‌هوشمند، پیش‌بینی و اقدام اجرایی به یکدیگر متصل شوند. آلودگی هوا پیش از آنکه مساله کمبود فناوری باشد، مساله کیفیت حکمرانی است. اگر داده درست تولید کنیم اما از آن استفاده نکنیم، بحران پابرجا می‌ماند؛ اگر داده‌ها را تولید کنیم اما منتشر نکنیم، اعتماد عمومی شکل نمی‌گیرد و اگر داده منتشر شود اما به تصمیم اجرایی متصل نباشد، پایش صرفا به ثبت روزانه یک بحران تبدیل خواهد شد.
راه خروج روشن است؛ کمتر به تعداد دستگاه‌ها فکر کنیم و بیشتر به معماری نظام پایش بیندیشیم؛ کمتر داده پراکنده تولید کنیم و بیشتر داده قابل‌اعتماد بسازیم و مهم‌تر از همه، داده را از اتاق‌های فنی بیرون بیاوریم و به قلب تصمیم‌گیری درباره سلامت، شهر، صنعت و زندگی مردم ببریم. دراین صورت است که پایش کیفیت هوا می‌تواند از یک‌سامانه اندازه‌گیری به «سیستم عصبی» حکمرانی محیط‌زیست تبدیل شود؛ سیستمی که نه‌فقط به ما بگوید امروز چه هوایی داریم بلکه کمک کند فردا هوای بهتری داشته باشیم.
