Ditulis oleh:

Apabila kita bercakap tentang perubahan iklim, antara istilah yang kerap didengar ialah gas rumah kaca atau greenhouse gases (GHG). Gas ini termasuk karbon dioksida (CO₂), metana (CH₄) dan nitrus oksida (N₂O) yang terhasil daripada aktiviti manusia seperti pembakaran bahan api fosil, pertanian, serta pembuangan sisa. Kewujudan GHG dalam atmosfera sebenarnya wajar kerana ia membantu mengekalkan suhu bumi. Namun, apabila jumlahnya berlebihan, ia menjadi ancaman besar kerana menyebabkan pemanasan global dan kesan perubahan iklim yang semakin ketara (IPCC, 2023).

Di Malaysia, isu GHG bukan sesuatu yang asing. Sektor tenaga, pengangkutan, pertanian dan sisa merupakan penyumbang utama (DOE, 2022). Walaupun negara telah berikrar untuk mengurangkan intensiti pelepasan GHG menjelang tahun 2030, cabaran terbesar masih berkisar pada pemantauan dan ramalan emisi. Sistem tradisional sering mengambil masa yang lama dan kurang memberikan gambaran masa nyata (real-time) (Yap & Chang, 2021). Di sinilah munculnya kecerdasan buatan (AI) sebagai satu teknologi baru yang mampu mengubah cara kita memahami dan meramalkan GHG.

AI: Otak Digital untuk Iklim

AI boleh dianggap sebagai “otak digital” yang mampu belajar daripada data. Sama seperti manusia yang belajar melalui pengalaman, AI dilatih menggunakan data raya (big data) daripada pelbagai sumber seperti satelit, sensor udara, laporan industri, dan rekod cuaca. Setelah dilatih, AI boleh mengenal pasti corak tersembunyi, membuat ramalan, dan memberi amaran lebih awal tentang kemungkinan peningkatan pelepasan GHG (Rolnick et al., 2019).

Contohnya, AI boleh menggabungkan data daripada ribuan stesen cuaca dan imej satelit untuk mengesan kawasan pelepasan metana di ladang ternakan atau tapak pelupusan (Varadharajan et al., 2022). Malah, sistem ini boleh meramal trend pelepasan karbon daripada sektor tenaga berdasarkan kadar penggunaan elektrik dan bahan api. Pendek kata, AI membolehkan kita melihat “masa depan” dengan lebih jelas berbanding kaedah tradisional.

Kelebihan AI dalam Ramalan GHG: 

1. Cepat dan Tepat – AI boleh menganalisis data berjuta-juta titik dalam beberapa saat berbanding berminggu atau berbulan menggunakan cara manual (Chen et al., 2020).

2. Ramalan Jangka Pendek & Panjang – AI boleh menganggarkan pelepasan dalam tempoh harian, bulanan, bahkan dekad akan datang (Liu et al., 2023).

3. Pengesanan Hotspot – AI membantu mengenal pasti kawasan “panas” pelepasan GHG, contohnya lokasi kilang, tapak pelupusan, atau bandar dengan trafik tinggi.

4. Membantu Dasar & Tindakan Cepat – Dengan data ramalan yang lebih tepat, pembuat dasar boleh melaksanakan intervensi segera seperti memperketat peraturan atau memperkenalkan insentif teknologi hijau (UNEP, 2022).

Cabaran Menggunakan AI

Walaupun AI kelihatan hebat, ia bukan tanpa kelemahan. Pertama, sistem AI memerlukan data yang lengkap dan berkualiti. Jika data bercelaru atau tidak konsisten, hasil ramalan boleh menjadi mengelirukan (Varadharajan et al., 2022). Kedua, pembangunan sistem AI memerlukan kepakaran dalam bidang sains komputer, kejuruteraan data, dan sains alam sekitar, iaitu sesuatu yang belum meluas di semua institusi. Ketiga, kos awal yang tinggi untuk membangunkan sistem pemantauan berasaskan AI mungkin menjadi halangan bagi sesetengah negara membangun (Rolnick et al., 2019). Namun, cabaran ini bukan alasan untuk berhenti. Sebaliknya, ia membuka ruang kolaborasi antara kerajaan, universiti dan industri bagi membina sistem yang lebih mampan.

Potensi di Malaysia

Malaysia kini sedang melangkah ke arah sifar karbon menjelang 2050. Dalam usaha ini, teknologi AI boleh memainkan peranan penting. Bayangkan sebuah platform bersepadu yang mengumpulkan data pelepasan daripada sektor tenaga, industri, pertanian dan pengangkutan, kemudian dianalisis oleh AI untuk menghasilkan peta ramalan pelepasan GHG secara masa nyata (Yap & Chang, 2021). Sistem seperti ini bukan sahaja membantu kerajaan menilai keberkesanan dasar semasa, malah memberi peluang kepada universiti dan penyelidik tempatan untuk mencipta inovasi. Industri pula boleh menggunakan ramalan AI untuk mengoptimumkan proses mereka supaya lebih rendah karbon, manakala masyarakat umum boleh mengakses maklumat pelepasan di kawasan tempat tinggal mereka.

Kesimpulan

Teknologi AI bukan sekadar alat futuristik, tetapi senjata strategik dalam usaha menentang perubahan iklim. Dengan keupayaan meramal emisi GHG secara lebih tepat dan pantas, AI memberi peluang kepada manusia untuk bertindak lebih awal sebelum keadaan menjadi kritikal. Perubahan iklim adalah masalah global, tetapi penyelesaian boleh bermula di peringkat tempatan. Jika Malaysia mampu menggabungkan data, teknologi dan dasar yang baik, tidak mustahil kita menjadi peneraju rantau ini dalam penggunaan AI untuk kelestarian alam sekitar. Akhirnya, masa depan bumi bukan hanya bergantung pada teknologi, tetapi juga pada bagaimana kita menggunakannya. AI boleh menjadi kawan baik bumi – jika kita bijak memanfaatkannya.

Rujukan

1. Chen, J., Li, Z., & Huang, J. (2020). Application of machine learning in carbon emission prediction: A review. Environmental Science and Pollution Research, 27(15), 18615–18629. https://doi.org/10.1007/s11356-020-08329-9

2. Department of Environment (DOE). (2022). Malaysia Environmental Quality Report 2022. Ministry of Natural Resources, Environment and Climate Change.

3. Intergovernmental Panel on Climate Change (IPCC). (2023). Climate Change 2023: Synthesis Report. Cambridge University Press.

4. Liu, X., Wang, Y., & Zhang, H. (2023). Forecasting CO₂ emissions using artificial intelligence: Advances and perspectives. Journal of Cleaner Production, 408, 137167. https://doi.org/10.1016/j.jclepro.2023.137167

5. Rolnick, D., Donti, P. L., Kaack, L. H., Kochanski, K., Lacoste, A., Sankaran, K., Ross, A. S., Milojevic-Dupont, N., Jaquest, N., Waldman Brown, A., Luccioni, A., Maharaj, T., Sherwin, E. D., Mukhavilli, S. K., Kording, K. P., Gomes, C., Ng, A. Y., Hassabis, D., Platt, J. C., Creutzig, 7. F., Chayes, J., & Bengio, Y. (2019). Tackling climate change with machine learning. arXiv preprint arXiv:1906.05433.

6. United Nations Environment Programme (UNEP). (2022). Emissions Gap Report 2022: The Closing Window. UNEP.

7. Varadharajan, C., Hendrix, V., & Riley, W. (2022). Machine learning approaches for greenhouse gas monitoring and prediction. Frontiers in Environmental Science, 10, 896234. https://doi.org/10.3389/fenvs.2022.896234

8. Yap, W. J., & Chang, Y. C. (2021). Carbon neutrality in Malaysia: Policies, challenges, and the role of technology. Energy Policy, 156, 112420. https://doi.org/10.1016/j.enpol.2021.112420