9 . مفهوم عملی
پیامدهای عملی این تحقیق برای اپراتورهای فرودگاه، سیاست گذاران و سرمایه گذاران قابل توجه است. اپراتور فرودگاه ممکن است از این ابزار برای تشخیص اینکه کدام ویژگی محیطی در فرودگاه خود قابل توجه است و ارزش تمرکز روی آن را دارد استفاده کند. سیاستگذاران میتوانند از این ابزار برای چارچوببندی سیاستهای نظارتی برای کمک به ارتقای رتبهبندی سبز و شیوههای پایداری اتخاذ شده در فرودگاهها استفاده کنند. و در نهایت، سرمایه گذاران می توانند از ابزاری برای سرمایه گذاری مشروط استفاده کنند تا مدیران فرودگاه را از اتخاذ شیوه های شستشوی سبز منصرف کنند. ابزار رتبهبندی فرودگاه سبز و مدلهای یادگیری ماشینی به اپراتورها و ذینفعان فرودگاه کمک میکند تا زمینههای بهبود را شناسایی کنند و تصمیمگیری آگاهانه برای دستیابی به اهداف پایداری زیستمحیطی بگیرند. از این ابزار می توان برای ارزیابی عملکرد سبز ساختمان های فرودگاه در برابر سایر فرودگاه ها و برای ردیابی پیشرفت در طول زمان استفاده کرد. این ابزار همچنین می تواند توسط سیاست گذاران برای اجرای مقررات و ایجاد انگیزه در شیوه های سبز استفاده شود. سرمایه گذاران می توانند از مدل ها برای ارزیابی عملکرد سبز ساختمان های فرودگاه و تصمیم گیری آگاهانه در مورد سرمایه گذاری در زیرساخت های پایدار استفاده کنند. مجموعه داده ها و مدل های یادگیری ماشین توسعه یافته می توانند به عنوان نقطه شروعی برای تحقیقات بیشتر در ارزیابی پایداری زیست محیطی ساختمان های فرودگاه استفاده شوند. یک ابزار مستقل می تواند با استفاده از قوانین سبز هر مدل ساخته شود. علاوه بر این، توانایی پیشبینی پویای مدلها این پتانسیل را دارد که با شناسایی مناطق بهبود محیط زیست در فرودگاهها برای اپراتورهای مربوطه، به صنعت هوانوردی پایدار کمک کند. در نتیجه، می توان تلاش هایی برای کاهش اثرات زیست محیطی و کمک به دستیابی به اهداف پایداری جهانی انجام داد.
10 . محدودیت ها و پتانسیل تحقیقات آینده
آموزش و آموزش نقش مهمی در انتقال قوانین سبز به ذینفعان فرودگاه و کمک به آنها در درک جنبه های کلیدی پایداری ایفا می کند که به بهبود رتبه سبز فرودگاه ها کمک می کند. با این حال، اثربخشی این رویکرد تا حد زیادی به دقت و شفافیت داده های زیست محیطی تولید شده توسط هر فرودگاه بستگی دارد. مدل پیشنهادی نیاز به نظارت دارد و متاثر از خطاهای موجود در برچسبهای آموزشی است. با این حال، مدلهای توسعهیافته از طریق این تحقیق بهعنوان اثبات مفاهیم معتبری عمل میکنند که میتوانند برای پیادهسازی در مقیاس بزرگ آزمایش شوند، تا زمانی که از جمعآوری دادههای اولیه قابل اطمینان اطمینان حاصل شود. چالشهای مرتبط با جمعآوری دادههای وابسته به زمان را میتوان با استفاده از پیشرفتها در فناوریهای تشخیص/بازیابی تصویر و کاراکترهای نوری کاهش داد. در آینده، ما میتوانیم سعی کنیم یک مدل کاملاً بدون نظارت برای این کار ایجاد کنیم و همچنین مدل پیشنهادی را با تجمیع دادههای بلادرنگ از طریق اینترنت اشیا ، برای نظارت مستمر و گزارشدهی شاخصهای عملکرد سبز در محیط ساخته شده، ادغام کنیم.
Leave A Comment