शहर के उत्सर्जन प्रबंधन के लिए एक डिजिटल प्रतिकृति
कॉर्नेल के इंजीनियरों ने एक डिजिटल ट्विन फ्रेमवर्क बनाया है, जिसका उद्देश्य शहरी कार्बन डाइऑक्साइड स्थितियों का रीयल-टाइम वर्चुअल प्रतिनिधित्व तैयार करना है, और इसमें मैनहैटन को पहला परीक्षण मामला बनाया गया है। Environmental Modelling & Software में प्रकाशित यह परियोजना शहर योजनाकारों और नीति-निर्माताओं के लिए एक उपकरण के रूप में रखी गई है, जिन्हें उत्सर्जन की निगरानी, हॉटस्पॉट की पहचान, और भौतिक दुनिया में लागू करने से पहले संभावित हस्तक्षेपों का आकलन करने के लिए अधिक एकीकृत तरीके की आवश्यकता है।
मूल विचार सीधा है, लेकिन तेजी से अधिक महत्वपूर्ण होता जा रहा है। शहर भारी मात्रा में पर्यावरणीय और अवसंरचना डेटा उत्पन्न करते हैं, लेकिन वे डेटासेट अक्सर एजेंसियों, प्रणालियों, प्रारूपों, और समय-सीमाओं में बिखरे होते हैं। परिवहन, ऊर्जा, पानी, कचरा, और सार्वजनिक स्वास्थ्य सभी एक-दूसरे को प्रभावित करते हैं, लेकिन उनका हमेशा एक साथ मापन या प्रबंधन नहीं किया जाता। परिणामस्वरूप, शहरी नेताओं के पास बहुत सारी जानकारी हो सकती है, लेकिन ब्लॉक से ब्लॉक और घंटे से घंटे स्थितियां कैसे बदल रही हैं, इसका भरोसेमंद शहर-स्तरीय चित्र नहीं होता।
डिजिटल ट्विन का उद्देश्य इस अंतर को भरना है। स्रोत पाठ में, इसे किसी भौतिक इकाई या प्रणाली की एक रीयल-टाइम डिजिटल प्रतिकृति के रूप में वर्णित किया गया है, जो लगातार वास्तविक दुनिया के डेटा को गणनात्मक मॉडलों में शामिल करती है। सही तरीके से लागू होने पर, यह अवधारणा बिखरी हुई मापों को एक परिचालन मॉडल में बदल सकती है: ऐसा कुछ जिसे निर्णयकर्ता पूछताछ कर सकें, तनाव-परीक्षण कर सकें, और परिस्थितियों के बदलने पर अद्यतन कर सकें।
मैनहैटन एक उपयोगी पहला परीक्षण मैदान क्यों था
मैनहैटन ने शोध टीम को एक घना, डेटा-समृद्ध वातावरण दिया, ताकि यह परखा जा सके कि ऐसा तरीका बड़े शहरी पैमाने पर काम कर सकता है या नहीं। शहर के जीवन के हर पहलू को एक साथ दोहराने की कोशिश करने के बजाय, शोधकर्ताओं ने कार्बन डाइऑक्साइड को एक प्रदर्शन चर के रूप में इस्तेमाल किया। इससे वे यह परीक्षण कर सके कि फ्रेमवर्क अलग-अलग डेटा स्रोतों को एकीकृत कर सकता है या नहीं, स्थान और समय में स्थितियों का अनुमान लगा सकता है या नहीं, और परिणामों को मानवीय निर्णय-निर्माण के लिए उपयोगी रूप में प्रस्तुत कर सकता है या नहीं।
परियोजना का नेतृत्व H. Oliver Gao ने किया, जो Cornell’s Systems Engineering Program और Center for Transportation, Environment, and Community Health के निदेशक हैं। टीम के प्रोटोटाइप, जिसे Sustainable Urban Digital Twin कहा गया है, में चार मॉड्यूलर परतें होने का वर्णन किया गया है। भौतिक परत कई बड़े डेटाबेस से जानकारी एकत्र करती है। डिजिटल परत उन इनपुट्स को संगठित और मॉडल करती है। एक “brain” परत Bayesian modeling और machine learning लागू करके डेटा का विश्लेषण करती है और परिणामों का पूर्वानुमान लगाती है। अंतिम service परत उस विश्लेषण को विज़ुअलाइज़ेशन और योजनाकारों तथा नीति-निर्माताओं के लिए सुझाए गए कदमों सहित व्यावहारिक उपकरणों में बदल देती है।
यह परतदार संरचना उल्लेखनीय है, क्योंकि यह शहरी प्रौद्योगिकी में एक व्यापक बदलाव को दर्शाती है। एक शहर मॉडल तभी उपयोगी है जब वह कच्ची सेंसिंग से व्याख्यात्मक मार्गदर्शन तक जा सके। कई स्मार्ट-सिटी प्रयासों की आलोचना इस बात के लिए की गई है कि वे डैशबोर्ड या अलग-अलग पायलट तक ही सीमित रह गए। कॉर्नेल की रूपरेखा कुछ अधिक परिचालनात्मक बनाने के प्रयास का संकेत देती है: ऐसा सिस्टम जो डेटा को अवशोषित कर सके, जहां प्रत्यक्ष मापन कम हों वहां स्थितियों का अनुमान लगा सके, और हस्तक्षेप से जुड़े निर्णयों का समर्थन कर सके।
माप से लेकर हॉटस्पॉट और परिदृश्य परीक्षण तक
स्रोत सामग्री के अनुसार, यह प्रोटोटाइप शोधकर्ताओं और योजनाकारों को मैनहैटन में उत्सर्जन स्तरों की निगरानी करने और हॉटस्पॉट की पहचान करने में सक्षम बनाता है। यह एक महत्वपूर्ण व्यावहारिक कदम है, क्योंकि शहर पर्यावरणीय बोझ को समान रूप से नहीं झेलते। स्ट्रीट कैन्यन, यातायात पैटर्न, भवन घनत्व, ऊर्जा उपयोग, और स्थानीय मौसम छोटे दूरी में ऐसे क्षेत्र बना सकते हैं जहां स्थितियां काफी अलग हों। एक स्थिर वार्षिक औसत शायद ही कभी उस जटिलता को पकड़ पाता है।
यदि एक डिजिटल ट्विन उन अंतरों का लगभग रीयल टाइम में अनुमान लगा सकता है, तो वह केवल अवलोकन से अधिक उपयोगी हो जाता है। यह अधिकारियों को यह मूल्यांकन करने में मदद कर सकता है कि कोई प्रस्तावित बदलाव निर्माण शुरू होने से पहले या नियम प्रभावी होने से पहले शहरी प्रणाली में कैसे प्रभाव डालेगा। उदाहरण के लिए, परिवहन में बदलाव यातायात प्रवाह को बदल सकता है, जिसका असर स्थानीय उत्सर्जन, जन-एक्सपोज़र, और यहां तक कि ऊर्जा मांग के पैटर्न पर भी पड़ सकता है। एक एकीकृत फ्रेमवर्क का मूल्य इन संबंधों को पर्याप्त जल्दी सामने लाने में है, ताकि नीति को सूचित किया जा सके।
स्रोत पाठ यह दावा नहीं करता कि मैनहैटन ट्विन पहले ही शहर नियोजन की समस्या हल कर चुका है। वह इससे अधिक संयमित और अधिक विश्वसनीय बात कहता है: यह फ्रेमवर्क डेटा को एकीकृत करने, समय और स्थान में स्थितियों का अनुमान लगाने, और पर्यावरणीय जानकारी को बड़े पैमाने पर दृश्य रूप में प्रस्तुत करने की क्षमता दिखाता है। ये सक्षम करने वाले कार्य हैं। शोध के लिहाज़ से, वे स्थापित करते हैं कि यह संरचना भविष्य के अनुप्रयोगों का समर्थन कर सकती है। नीति के लिहाज़ से, वे संकेत देते हैं कि यह मॉडल केवल अकादमिक अभ्यास न रहकर एक निर्णय-समर्थन परत बन सकता है।
शहरी डिजिटल ट्विन्स पर अधिक ध्यान क्यों दिया जा रहा है
जैसे-जैसे शहर बढ़ रहे हैं और जलवायु, स्वास्थ्य, तथा अवसंरचना पर दबाव बढ़ रहा है, शहरी सरकारों पर बेहतर साक्ष्य के आधार पर तेज निर्णय लेने का दबाव है। पारंपरिक योजना उपकरण लगातार अद्यतन होने वाले, क्रॉस-सेक्टर मॉडलिंग के लिए नहीं बनाए गए थे। वे अक्सर आवधिक अध्ययनों, अलग-अलग एजेंसी डेटासेट्स, या उन मान्यताओं पर निर्भर करते हैं जिन्हें परिस्थितियां बदलने पर संशोधित करना कठिन होता है। डिजिटल ट्विन एक अधिक गतिशील विकल्प का वादा करते हैं, क्योंकि वे अवलोकनों और पूर्वानुमानों को एक साझा गणनात्मक वातावरण में जोड़ते हैं।
यह वादा अभी भी पूरे क्षेत्र में समान रूप से पूरा नहीं हुआ है। कुछ परियोजनाएं मजबूत मॉडलिंग के बिना विज़ुअलाइज़ेशन पर जोर देती हैं। अन्य तकनीकी रूप से महत्वाकांक्षी हैं, लेकिन सार्वजनिक क्षेत्र के उपयोग के लिए बहुत अस्पष्ट या नाज़ुक हैं। कॉर्नेल का प्रयास देखने लायक इसलिए है क्योंकि इसका प्रणालियों पर फोकस है। स्रोत लेख स्पष्ट रूप से शहरी प्रणालियों को परस्पर जुड़ा हुआ और अलग-अलग समझना कठिन बताता है। इसलिए परियोजना का मूल्य केवल कार्बन डाइऑक्साइड को ट्रैक करने में नहीं, बल्कि एक पुन: प्रयोज्य संरचना स्थापित करने में है जो विविध इनपुट्स को शामिल कर सके और विश्लेषण की कई परतों का समर्थन कर सके।
उस अर्थ में, मैनहैटन का परीक्षण मामला एक बरो के बारे में कम और पद्धति के बारे में अधिक है। यदि फ्रेमवर्क स्थानांतरित किया जा सके, तो ऐसे मॉडल अन्य शहरों के लिए अनुकूलित किए जा सकते हैं या कार्बन डाइऑक्साइड से आगे अतिरिक्त चर शामिल करने के लिए विस्तारित किए जा सकते हैं। उपलब्ध स्रोत इन अगली पहलों का विस्तार से उल्लेख नहीं करता, इसलिए व्यापक तैनाती का दावा करना अभी जल्दबाज़ी होगी। लेकिन लेख में वर्णित संरचना उस संभावना की ओर संकेत करती है।
एक योजना उपकरण, न कि तैयार उत्पाद
कॉर्नेल के काम की सबसे मजबूत व्याख्या यह है कि यह अधिक सूचित शहर प्रबंधन के लिए एक आधार प्रदान करता है। इसे किसी उपभोक्ता ऐप या तैयार नगरपालिका प्लेटफ़ॉर्म के रूप में प्रस्तुत नहीं किया गया है। यह एक फ्रेमवर्क है, जिसे एक चुनौतीपूर्ण शहरी वातावरण में परखा गया है, और जो दिखाता है कि वास्तविक दुनिया के डेटा स्ट्रीम, सांख्यिकीय मॉडलिंग, machine learning, और सेवा-उन्मुख आउटपुट्स को एक ही प्रणाली में कैसे जोड़ा जा सकता है।
यह महत्वपूर्ण है, क्योंकि शहरी स्थिरता अब केवल इरादे पर नहीं, समय पर भी निर्भर करती है। जब तक पारंपरिक रिपोर्टिंग चक्रों के माध्यम से हॉटस्पॉट सामने आते हैं, तब तक उन्हें कम करने के अवसर शायद पहले ही बीत चुके होते हैं। एक डिजिटल ट्विन जो लगातार अपडेट होता रहे और नीति लागू होने से पहले संभावित परिणामों को उजागर करे, सार्वजनिक निर्णय-निर्माण में गति और सटीकता दोनों को बेहतर बना सकता है।
फिलहाल, मैनहैटन मॉडल एक शुरुआती लेकिन अर्थपूर्ण प्रदर्शन के रूप में खड़ा है। यह संकेत देता है कि डिजिटल ट्विन भविष्यवादी शहर-तकनीक भाषा से अधिक ठोस पर्यावरणीय अनुप्रयोगों की ओर बढ़ रहे हैं। यदि भविष्य का काम इस फ्रेमवर्क पर आधारित होता है, तो बड़ा लाभ एक नए प्रकार के शहरी योजना अवसंरचना के रूप में हो सकता है: ऐसा सिस्टम जो शहर को अलग-अलग विभागों के संग्रह के रूप में नहीं, बल्कि एक जीवित प्रणाली के रूप में देखता है, जिसे अंततः तुलनीय जटिलता के साथ मॉडल किया जा सकता है।
यह लेख Phys.org की रिपोर्टिंग पर आधारित है। मूल लेख पढ़ें.
Originally published on phys.org
