• محمد اسکندری نسب: دانشجوی دکتری جامعه‌شناسی دانشگاه تهران. eskandari.m1991@ut.ac.ir

همکاری‌های بین‌المللی در حوزه پایداری محاسباتی به عنوان یکی از ارکان اصلی دستیابی به اهداف توسعه پایدار (SDGs) سازمان ملل متحد شناخته می‌شود. این همکاری‌ها با ترکیب علوم محاسباتی، داده‌های کلان، هوش مصنوعی و مدل‌سازی ریاضی، راهکارهایی نوآورانه برای چالش‌های پیچیده زیستمحیطی، اجتماعی و اقتصادی ارائه می‌دهند. در این مقاله، نقش شبکه‌های بین‌المللی مانند CompSustNet، سازمان‌هایی نظیر NSF، WWF و TAHMO، و پروژه‌های مشترک دانشگاهی در راستای تحقق SDGs بررسی می‌شود. همچنین، چالش‌های پیش روی این همکاری‌ها و راهکارهای فناورانه برای غلبه بر آنها تحلیل می‌گردد.

مقدمه

متخصصان علوم کامپیوتر و داده در سال 2008، با تأسیس انستیتو پایداری محاسباتی (ICS) در دانشگاه کرنل، بر آن شدند تا با استفاده از علوم کامپیوتر و محاسبات مسائل زیست‌محیطی، اجتماعی و اقتصادی مرتبط با توسعه پایدار را با رویکردی نوین پیگیری کنند و در راستای ایجادی جهانی پایدار قدم بردارند. متعاقباً در سال 2015 با ارائه اهداف هفده‌گانه توسعه پایدار توسط سازمان ملل متحد، با هدف دستیابی به آینده بهتر و پایدارتر برای همه تا سال ۲۰۳۰، بنیاد ملی امریکا(NSF)  با همکاری دانشگاه کرنل، شبکه پایداری محاسباتی CompSustNet را پایه‌گذاری کردند. آن‌ها با از استفاده از ابزارهای قدرتمندی مانند تحلیل کلان‌داده‌ها، یادگیری ماشین، و مدل‌سازی ریاضی، در تلاش‌اند تا راه‌حل‌های نوآورانه‌ای در راستای تحقق اهداف توسعه پایدار و پاسخ به چالش‌های پیچیده جهانی ارائه دهند.

شکل 1. اهداف توسعه پایدار

که جهان امروز با چالش‌های متعددی مواجه است؛ از تغییرات اقلیمی و کاهش منابع طبیعی گرفته تا نابرابری‌های اجتماعی و اقتصادی. این چالش‌ها، که بسیاری از آن‌ها به دلیل تعاملات پیچیده بین سیستم‌های انسانی و طبیعی به وجود آمده‌اند، نیازمند کاربست رویکردهایی فراتر از روش‌های سنتی هستند. این از آن در 25 سپتامبر 2015، به‌منظور پایان دادن به فقر، حفاظت از کره زمین و تضمین رفاه همگانی ، با حمایت سازمان ملل متحد و به‌عنوان بخشی از دستور کار توسعه پایدار 2030،  193 کشور  بر اهداف توسعه پایدار (SDGs) توافق کردند.  (United Nations, 2015)به تبع آن دانشمندان از طریق رویکرد نوین پایداری محاسباتی با ترکیب علوم مختلف و استفاده از ابزارهای پیشرفته محاسباتی، در پی آن هستند تا این چالش‌ها را به مسائل قابل‌حل تبدیل کند.

برای مثال، تغییرات اقلیمی و به تبع آن خشکسالی‌های شدید در مناطق مختلف جهان، اثرات ملموسی بر کشاورزی و معیشت جوامع آسیب‌پذیر داشته است. پایداری محاسباتی با استفاده از داده‌های ماهواره‌ای و مدل‌سازی دینامیکی، می‌تواند این تغییرات را پیش‌بینی کند و راه‌حل‌هایی برای مدیریت منابع طبیعی ارائه دهد. به همین ترتیب، برای تحلیل داده‌های اجتماعی می‌توان با استفاده از الگوریتم‌های هوش مصنوعی، به فقر، نابرابری‌های اجتماعی، اقتصادی و فضایی موجود شناسایی کمک کرده و تا بتوان راه‌حل‌هایی برای تحقق عدالت اجتماعی ارائه داد. برای چنین موضوعاتی نشریات تخصصی همچون «محاسبات پایدار: انفورماتیک و سیستم‌ها»[1] نیز از سال 2011 تاسیس شده تا مسائل و پژوهش‌های مرتبط با آن به صورت رسمی از یک مجرای علمی نیز سازماندهی شود.

 انستیتوی پایداری محاسباتی (ICS) و شبکه پایداری محاسباتی (CompSustNet)

در این راستا در سال 2008 انستیتوی پایداری محاسباتی (ICS)[2] در دانشگاه کرنل، توسط پروفسور کارلا گومز[3] تأسیس شد و به‌عنوان یک اولین مرکز تخصصی در پژوهش‌های پایداری محاسباتی شناخته می‌شود. این انستیتو با هدف ترکیب علوم کامپیوتر، علوم محیطی، و علوم اجتماعی-اقتصادی ایجاد شده تا از روش‌های پیشرفته محاسباتی برای حل چالش‌های جهانی استفاده کند. خانم گومز، که از پیشگامان این حوزه به شمار می‌رود، نقش کلیدی در توسعه و معرفی این رویکرد میان‌رشته‌ای ایفا کرده است. (برای مثال نگاه کنید به گومز (2009)) تحت مدیریت وی، انستیتو به محلی برای تحقیقات نوآورانه در زمینه‌هایی چون مدل‌سازی زیست‌محیطی، تحلیل داده‌های بزرگ، و طراحی سیستم‌های پایدار تبدیل شده است. این مرکز همچنین همکاری‌های گسترده‌ای با سایر دانشگاه‌ها و سازمان‌های بین‌المللی دارد و از پروژه‌های برجسته‌ای مانند شبکه پایداری محاسباتی (CompSustNet)[4] پشتیبانی می‌کند، که نقش مهمی در گسترش افق‌های پایداری محاسباتی در سطح جهانی دارد.

شبکه  CompSustNet، که توسط دانشگاه کرنل هدایت می‌شود، یکی از پروژه‌های کلیدی در این حوزه است. این شبکه، با حمایت بنیاد ملی علوم امریکا (NSF)[5] در قالب جایزه یک‌میلیون و چهارصد هراز دلاری، به‌علاوه با همکاری بیش از 11 مؤسسه دانشگاهی از ایالات‌متحده و چندین دانشگاه بین‌المللی دیگر، به‌دنبال توسعه راه‌حل‌های پایدار برای مشکلات پیچیده جهانی است. این شبکه نه‌تنها ابتکاری آکادمیک است، بلکه با سازمان‌های غیردولتی و دولتی مهمی، همچون بنیاد جهانی طبیعت (WWF)[6]، رصدخانه فراآفریقایی آب‌وهواشناسی (TAHMO)[7] نیز همکاری پیوسته دارد.

شکل 2.  حوزه‌های اصلی تمرکز تحقیقات شبکه پایداری محاسباتی CompSustNet

(منبع: گومز و همکاران، ۲۰۱۹)

مأموریت‌های اصلی این شبکه، گسترش دانش پایداری محاسباتی و به‌کارگیری فناوری‌های پیشرفته برای حل مسائل جهانی است. این مأموریت با تمرکز بر موضوعات کلیدی مانند مسائل مربوط به بهینه‌سازی، تحلیل ‌کلان‌داده‌های مکانی-زمانی، و یادگیری ماشین، به پژوهشگران کمک می‌کند تا بتوانند راه‌حل‌هایی با کارآمدی بالا برای چالش‌های اجتماعی و زیست‌محیطی ارائه دهند.

نمونه‌هایی از کاربردهای پایداری محاسباتی

با انقلاب دیجیتالی و وفور داده‌های دیجیتالی (ردپای دیجیتال)، این امکان فراهم شد تا دانشمندان حوزه‌های مختلف با استفاده از این داده‌ها به حل معضلاتی بپردازد که تا پیش از آن داده و اطلاعات منسجمی و دقیقی در مورد آن‌ها وجود نداشت. پایداری محاسباتی در عمل به حل مسائل واقعی کمک کرده است. به‌عنوان‌مثال یکی از این نمونه‌ها، مدیریت زیستگاه‌های تالابی در کالیفرنیا بوده است. با کاهش منابع آبی در این ایالت، پرندگان مهاجر از شمالگان به این مناطق سفر، با موانعی روبرو شد. ازاین‌رو دانشمندان با استفاده از تصاویر ماهواره‌ای، پیش‌بینی‌های هواشناسی و داده‌های مشاهده‌ای جمع‌آوری‌شده توسط اپلیکیشن جمع‌سپارانه eBird[8]، توانسته‌اند برای این پرندگان زیستگاه‌های مناسب شناسایی کنند. به این صورت که این داده‌ها به کشاورزان کمک می‌کند تا زمان و مکان مناسب برای سیلابی کردن مزارع خود را تعیین کنند، که هم به حفظ گونه‌های زیستی و هم به معیشت کشاورزان کمک کرده است.

مثال دیگر، استفاده از الگوریتم‌های هوشمند در راستای مدیریت خطر آتش‌سوزی در جنگل‌هاست. این الگوریتم‌ها با تحلیل داده‌های اقلیمی و مکانی، به پیش‌بینی مناطق پرخطر کمک کرده و راه‌حل‌هایی برای کاهش این خطرات ارائه می‌دهند. به همین ترتیب، در حوزه انرژی، پایداری محاسباتی به طراحی شبکه‌های هوشمند برق کمک کرده  تا با بهینه‌سازی مصرف انرژی، انتشار گازهای گلخانه‌ای را کاهش دهند.

پایداری محاسباتی نه‌تنها به مسائل زیست‌محیطی می‌پردازد، بلکه تأثیرات قابل‌توجهی بر مسائل اجتماعی و اقتصادی دارد. برای مثال، الگوریتم‌های تحلیل داده‌های اجتماعی می‌توانند به شناسایی نابرابری‌های موجود در دسترسی به خدمات عمومی کمک کنند. این الگوریتم‌ها به سیاست‌گذاران امکان می‌دهند تا منابع را به شکلی عادلانه‌تر توزیع کنند و به کاهش نابرابری‌های اجتماعی کمک کنند.

یکی از برجسته‌ترین پژوهش‌های اجتماعی-اقتصادی در این حوزه، بررسی جین[9] و همکاران (2016) در مورد «الگوی فقر در کشورهای افریقایی با استفاده از داده های سنجش از دور» بوده است. ازآنجایی‌که در کشورهای آفریقایی داده سرشماری و پیمایشی منسجمی جمع‌آوری نشده، پژوهشگران دانشگاه استنفورد بر آن شدند تا با استفاده از تصاویر ماهواره‌ای و الگوریتم‌های یادگیری ماشین، الگوی فقر در چند کشور آفریقایی  را پیش‌بینی کنند. این روش از ویژگی‌های قابل‌مشاهده در داده‌های ماهواره‌ای نظیر شدت روشنایی شبانه (به‌عنوان شاخصی از فعالیت اقتصادی)، الگوی زیرساخت‌ها (مانند جاده‌ها و ساختمان‌ها)، و پوشش زمین (مانند زمین‌های کشاورزی) بهره می‌برد. آن‌ها تصاویر ماهواره‌ای با داده‌های سرشماری ترکیب کرده و با استفاده از مدل‌های یادگیری ماشین، ارتباط بین این شاخص‌ها و سطح فقر را تحلیل کردند. با این تکنیک آن‌ها توانستند نقشه‌هایی از توزیع فقر، با دقت 75 درصد ارائه دهند و به سیاست‌گذاران برای تخصیص بهتر منابع و کاهش نابرابری کمک کنند.

شکل 3. خطوط مسیر (نقشه مترو) نمونه‌هایی از حوزه‌های موضوعی را برجسته کرده که از طبقات مسائل محاسباتی شناسایی‌شده در پروژه‌های تحقیقاتی عبور می‌کنند (مطابق نقاط تلاقی خطوط).

(منبع: گومز و همکاران، ۲۰۱۹

پایداری محاسباتی به‌عنوان دانشی میان‌رشته‌ای

یکی از ویژگی‌های برجسته پایداری محاسباتی، میان‌رشته‌ای بودن آن است. این حوزه، پژوهشگرانی از علوم کامپیوتر، مهندسی، علوم اجتماعی، و علوم زیست‌محیطی را گرد هم آورده است تا به مسائل پیچیده پاسخ دهند. این همکاری‌ها نه‌تنها به توسعه راه‌حل‌های عملی کمک کرده است، بلکه به‌صورت عملیاتی حدود دانش را در علوم مختلف گسترش می‌دهد.

برای مثال، در دانشگاه ایالتی اورگن[10] (2016) در قالب یک همکاری بین‌رشته‌ای، الگوریتم‌هایی برای شناسایی گونه‌های زیستی، طراحی مواد جدید، و مدیریت خطرات زیست‌محیطی توسعه داده شده‌اند. این تلاش‌ها علاوه بر کمک به کاهش اثرات مشکلات محلی و محیطی، به پیشرفت علوم محاسباتی و مدل‌سازی رایانه‌ای کمک کرده است.

نمونه‌های دیگر از همکاری‌های بین‌المللی در حوزه توسعه پایدار و  پایداری محاسباتی شامل موارد زیر است.

1. مدیریت بحران پناهندگان با داده‌های برخط: شبکه Refugee Aid App، با مشارکت کمیساریای عالی پناهندگان سازمان ملل (UNHCR) و گوگل، از داده‌های ماهواره‌ای و نظرسنجی‌های دیجیتال برای ردیابی جابجایی پناهندگان در مناطق بحرانی مانند سوریه و اوکراین استفاده می‌کند. این سیستم به سازمان‌های امدادی کمک می‌کند تا منابعی مانند آب، غذا و پناهگاه را به صورت کارآمدتر توزیع کنند و از هدف ۱۰ (کاهش نابرابری‌ها) پشتیبانی می‌نماید (UNHCR, n.d).
2. عدالت اجتماعی در سیستم قضایی: پروژه AI for Justice در ایالات متحده و آفریقای جنوبی، با همکاری دانشگاه استنفورد و سازمان عفو بین‌الملل، از الگوریتم‌های یادگیری ماشین برای شناسایی تبعیض نژادی در احکام قضایی استفاده می‌کند. این سیستم با تحلیل هزاران پرونده، الگوهای ناعادلانه را آشکار کرده و به اصلاح فرآیندهای قضایی کمک می‌کند. این پروژه با هدف ۱۶ (صلح، عدالت و نهادهای قوی) همسو است (Stanford University, n.d).
3. حل چالش‌های شهری در مناطق حاشیه‌نشین: پروژه Smart Slum در کنیا، با حمایت شهرهای هوشمند سازمان ملل، از اینترنت اشیا (IoT) و داده‌های حسگرها برای بهبود دسترسی به آب پاک، برق و حمل‌ونقل در مناطق فقیرنشین استفاده می‌کند. این پروژه مستقیماً به هدف ۱۱ (شهرها و جوامع پایدار) مرتبط است (UN-Habitat, n.d).
4. پروژه AI for Earth مایکروسافت: این برنامه بین‌المللی با مشارکت سازمان‌هایی مانند سازمان ملل متحد، اتحادیه بین‌المللی حفاظت از طبیعت (IUCN) و دانشگاه‌های سراسر جهان، از هوش مصنوعی و کلان‌داده‌ها برای حل چالش‌های زیست‌محیطی استفاده می‌کند. برای مثال، در پروژه Preventing Pandemics، الگوریتم‌های یادگیری ماشین برای پیش‌بینی شیوع بیماری‌های مشترک بین انسان و حیوان در مناطق حساس اکولوژیکی به کار گرفته شده‌اند. این پروژه مستقیماً به هدف ۳ (سلامت و رفاه) و هدف ۱۵ (حیات روی خشکی) از SDGs مرتبط است (Microsoft, 2023).
5. برنامه Copernicus اتحادیه اروپا: این برنامه با همکاری سازمان فضایی اروپا (ESA) و آژانس محیط زیست اروپا (EEA)، داده‌های ماهواره‌ای رایگان را برای نظارت بر تغییرات اقلیمی، کیفیت هوا و مدیریت بلایای طبیعی در اختیار کشورهای عضو و سازمان‌های بین‌المللی قرار می‌دهد. برای نمونه، داده‌های Sentinel-5P برای ردیابی انتشار گازهای گلخانه‌ای در آسیا و آفریقا استفاده شده و به کشورها در تدوین سیاست‌های کاهش کربن کمک کرده است. این پروژه از هدف ۱۳ (اقدام برای آب‌وهوا) پشتیبانی می‌کند (European Commission, 2023).
6. شبکه Global Forest Watch (GFW): این پلتفرم بین‌المللی با مشارکت موسسه منابع جهانی (WRI)، گوگل و برنامه محیط زیست سازمان ملل (UNEP)، از تصاویر ماهواره‌ای و الگوریتم‌های یادگیری عمیق برای نظارت برخط (بلادرنگ) بر جنگل‌زدایی استفاده می‌کند. GFW به دولت‌ها و سازمان‌های محلی در کشورهایی مانند برزیل و اندونزی کمک کرده تا مناطق در معرض خطر را شناسایی و از قطع غیرقانونی درختان جلوگیری کنند. این پروژه با هدف ۱۵ (حیات روی خشکی) همسو است (FAO, n.d).
7. ابتکار Digital Earth Africa (DEA): با حمایت اتحادیه آفریقا و دولت استرالیا، این پروژه داده‌های ماهواره‌ای را برای نظارت بر تغییرات منابع آب، کشاورزی و شهرنشینی در قاره آفریقا فراهم می‌کند. DEA با همکاری ناسا و آژانس فضایی اروپا، به کشورهای آفریقایی کمک می‌کند تا از طریق مدل‌های پیش‌بینی خشکسالی، امنیت غذایی را بهبود بخشند. این پروژه به هدف ۲ (گرسنگی صفر) و هدف ۶ (آب پاک و فاضلاب) مرتبط است (Digital Earth Africa, 2023).
8. همکاری IBM و The Weather Company: این مشارکت بین‌المللی از فناوری ابر رایانشی (Cloud Computing) و اینترنت اشیا (IoT) برای پیش‌بینی بلایای طبیعی مانند سیل و طوفان در مناطق آسیب‌پذیر آسیای جنوب شرقی و آمریکای لاتین استفاده می‌کند. داده‌های جمع‌آوری شده به سازمان‌های امدادی مانند صلیب سرخ کمک می‌کند تا پاسخگویی سریع‌تری به بحران‌ها داشته باشند. این پروژه از هدف ۱۱ (شهرها و جوامع پایدار) حمایت می‌کند (IBM, 2023).
9. پیش‌بینی و کاهش نابرابری‌های آموزشی: پروژه EdStats بانک جهانی با استفاده از داده‌های بزرگ و یادگیری ماشین، الگوهای دسترسی به آموزش در مناطق محروم آفریقا و آسیای جنوبی را تحلیل می‌کند. این سیستم با شناسایی مناطقی که نرخ ترک تحصیل بالا یا کمبود معلم دارند، به دولت‌ها کمک می‌کند تا منابع آموزشی را عادلانه‌تر توزیع کنند. این پروژه مستقیماً به هدف ۴ (آموزش باکیفیت) از SDGs مرتبط است (World Bank, 2022).
10. بهبود دسترسی به خدمات بهداشتی در مناطق روستایی: پروژه mHealth در هند، با همکاری سازمان جهانی بهداشت (WHO) و دانشگاه هاروارد، از الگوریتم‌های هوش مصنوعی برای پیش‌بینی شیوع بیماری‌هایی مانند مالاریا و سل استفاده می‌کند. این سیستم با تحلیل داده‌های مکانی-زمانی از تلفن‌های همراه، به کارکنان بهداشت کمک می‌کند تا مناطق بحرانی را شناسایی و واکسیناسیون هدفمند انجام دهند. این ابتکار از هدف ۳ (سلامت و رفاه) حمایت می‌کند (WHO, n.d; Iyawa, 2020).
11. مبارزه با تبعیض جنسیتی در اشتغال: پلتفرم Gender Equality  توسعه‌یافته توسط برنامه توسعه ملل متحد (UNDP)، از تحلیل متن و داده‌های استخدامی برای شناسایی سوگیری‌های جنسیتی در آگهی‌های شغلی و فرآیندهای ارتقاء استفاده می‌کند. این ابزار به شرکت‌ها کمک می‌کند تا سیاست‌های عادلانه‌تری اتخاذ کنند و به هدف ۵ (برابری جنسیتی) نزدیک شوند (UNDP, n.d).

جمع‌بندی

با وجود موفقیت‌های پایداری محاسباتی، این حوزه با چالش‌هایی نیز مواجه است. یکی از این چالش‌ها، دامنه گسترده و نیاز به زیرساخت‌های قدرتمند محاسباتی است. همچنان که، زمینه‌سازی برای ایجاد یک همکاری میان‌رشته‌ای کارآمد، نیازمند هماهنگی و سرمایه‌گذاری بیشتر است.

بااین‌حال، پیشرفت‌های فناورانه در حوزه‌هایی مانند هوش مصنوعی، یادگیری عمیق و اینترنت اشیا نشان داده‌اند که این چالش‌ها قابل‌حل هستند. پایداری محاسباتی، با ترکیب دانش و فناوری‌های مختلف، می‌تواند راه‌حل‌هایی نوآورانه برای چالش‌های جهانی ارائه دهد و به بهبود کیفیت زندگی انسان‌ها کمک کند.

درنهایت اینکه در این حوزه دانشمندان علوم کامپیوتر می‌توانند در قالب یک همکاری بین‌رشته‌ای، نقش کلیدی در حل مسائل زیست‌محیطی، اجتماعی و اقتصادی ایفا کنند و افق‌های جدیدی برای توسعه پایدار ایجاد کنند؛ به عبارتی می‌توان ادعا کرد که پایداری محاسباتی برای دنیای امروز و نسل‌های آینده، نه‌تنها یک نیاز ضروری، بلکه برای ایجاد آینده‌ای پایدارتر، می‌تواند راه‌حل‌هایی جدید پیشنهاد دهد.

منابع:

• Digital Earth Africa. (2023). Transforming Africa through Earth observation. Retrieved from https://www.digitalearthafrica.org
• Europe's eyes on Earth. (n.d). Europe's eyes on Earth. Retrieved from https://www.copernicus.eu/en
• FAO. (2023). Near Real-Time Monitoring: A crucial tool to tackle deforestation. Retrieved from https://www.fao.org/redd/news/detail/en/c/1667812/
• IBM. (2023). IBM and The Weather Company: Disaster response. Retrieved from https://www.ibm.com/history/disaster-relief
• Microsoft. (2023). AI for Earth: Helping save the planet with data science. Retrieved from https://news.microsoft.com/apac/features/ai-for-earth-helping-save-the-planet-with-data-science/
• Gomes, C. P. (2010, February). Computational sustainability: Computational methods for a sustainable environment, economy, and society. In Frontiers of Engineering: Reports on Leading-Edge Engineering from the 2009 Symposium (pp. 27-40). National Academies Press.‏ https://nap.nationalacademies.org/read/12821/chapter/7
• Gomes, C., Dietterich, T., Barrett, C., Conrad, J., Dilkina, B., Ermon, S., ... & Zeeman, M. L. (2019). Computational sustainability: Computing for a better world and a sustainable future. Communications of the ACM, 62(9), 56-65.‏ https://cacm.acm.org/research/computational-sustainability/
• Institute for Computational Sustainability (ICS) (n.d) Retrieved from https://www.computational-sustainability.org/
• Iyawa, G. E., Ondiek, C. O., & Osakwe, J. O. (2020). mHealth: A Low-Cost Approach for Effective Disease Diagnosis, Prediction, Monitoring and Management – Effective Disease Diagnosis. In C. Chakraborty (Ed.), Smart Medical Data Sensing and IoT Systems Design in Healthcare (pp. 1-21). IGI Global Scientific Publishing. https://doi.org/10.4018/978-1-7998-0261-7.ch001
• Neal Jean et al. (2016). Combining satellite imagery and machine learning to predict poverty.Science353,790-794. https://doi.org/10.1126/science.aaf7894
•  Oregon State University. (Feb. 22, 2016) OSU receives grant to expand research in computational sustainability. Available at: https://news.oregonstate.edu/news/osu-receives-grant-expand-research-computational-sustainability
• Stanford University. (2022). Use of and Use Cases for AI in Access to Justice. Retrieved from https://law.stanford.edu/juelsgaard-intellectual-property-and-innovation-clinic/ai-and-access-to-justice/ 
• UNDP. (n.d). Gender Equality. Retrieved from https://data.undp.org/gender-equality
• UN-Habitat. (n.d). Planet Smart City partners with UN-Habitat on slum upgrading initiatives in Kenya. Retrieved from https://unhabitat.org/news/06-aug-2020/planet-smart-city-partners-with-un-habitat-on-slum-upgrading-initiatives-in-kenya
• UNHCR. (n.d). Refugee Aid App. Retrieved from https://www.unhcr.org/uk/welcome-unhcr-app-trial
• United Nations. (2015). Transforming our world: The 2030 Agenda for Sustainable Development. Retrieved from https://sdgs.un.org
• WHO. (n.d). mHealth for disease prediction. Retrieved from https://www.who.int
• World Bank. (n.d). EdStats: Education data analytics. Retrieved from https://datatopics.worldbank.org/education/

پانوشت‌ها: