शहरातील उत्सर्जन व्यवस्थापनासाठी एक डिजिटल प्रतिकृती
कॉर्नेलच्या अभियंत्यांनी शहरी कार्बन डायऑक्साइडच्या स्थितीचे रिअल-टाइम व्हर्च्युअल प्रतिनिधित्व तयार करण्यासाठी एक डिजिटल ट्विन फ्रेमवर्क विकसित केले आहे, ज्यामध्ये मॅनहॅटन हा पहिला चाचणी प्रकरण म्हणून वापरला आहे. Environmental Modelling & Software मध्ये प्रसिद्ध झालेला हा प्रकल्प, उत्सर्जनांवर लक्ष ठेवण्यासाठी, हॉटस्पॉट्स ओळखण्यासाठी, आणि प्रत्यक्ष जगात लागू करण्यापूर्वी संभाव्य हस्तक्षेपांचे मूल्यांकन करण्यासाठी अधिक समन्वित पद्धतीची गरज असलेल्या शहर नियोजक आणि धोरणकर्त्यांसाठी एक साधन म्हणून मांडला आहे.
मूळ कल्पना सोपी आहे, पण ती अधिकाधिक महत्त्वाची होत आहे. शहरे प्रचंड प्रमाणात पर्यावरणीय आणि पायाभूत सुविधांशी संबंधित डेटा तयार करतात, पण तो डेटा अनेकदा विभाग, प्रणाली, स्वरूपे, आणि कालरेषांमध्ये विखुरलेला असतो. वाहतूक, ऊर्जा, पाणी, कचरा, आणि सार्वजनिक आरोग्य यांचा एकमेकांवर परिणाम होतो, पण त्यांचे मोजमाप किंवा व्यवस्थापन नेहमी एकत्र केले जात नाही. परिणामी, शहरी नेत्यांकडे भरपूर माहिती असूनही ब्लॉकनुसार आणि तासागणिक परिस्थिती कशा बदलत आहेत याचे विश्वासार्ह शहर-स्तरीय चित्र नसू शकते.
डिजिटल ट्विनचा उद्देश ही दरी भरून काढणे हा आहे. मूळ मजकुरात त्याचे वर्णन एका भौतिक घटक किंवा प्रणालीची रिअल-टाइम डिजिटल प्रतिकृती असे केले आहे, जी सतत वास्तविक जगातील डेटा संगणकीय मॉडेलमध्ये समाविष्ट करते. योग्य प्रकारे वापरल्यास, ही संकल्पना तुटक मोजमापांना एका ऑपरेशनल मॉडेलमध्ये रूपांतरित करू शकते: असे काही, ज्याची निर्णयकर्ते चौकशी करू शकतात, ताण चाचणी करू शकतात, आणि परिस्थिती बदलल्यावर अद्ययावत करू शकतात.
मॅनहॅटन उपयुक्त पहिला चाचणी मैदान का ठरला
मॅनहॅटनने संशोधन पथकाला अशी दाट, डेटा-समृद्ध परिस्थिती दिली की अशा प्रकारचा दृष्टिकोन मोठ्या शहरी प्रमाणावर कार्य करू शकतो का हे तपासता आले. शहरजीवनाच्या प्रत्येक पैलूची एकाच वेळी नक्कल करण्याचा प्रयत्न करण्याऐवजी, संशोधकांनी कार्बन डायऑक्साइडला एक प्रात्यक्षिक चल म्हणून वापरले. त्यामुळे फ्रेमवर्क वेगवेगळे डेटा स्रोत एकत्र करू शकतो का, अवकाश आणि काळात स्थिती मोजू शकतो का, आणि निष्कर्ष मानवी निर्णय प्रक्रियेस उपयुक्त अशा स्वरूपात मांडू शकतो का हे तपासता आले.
या प्रकल्पाचे नेतृत्व H. Oliver Gao यांनी केले, जे कॉर्नेलच्या Systems Engineering Program आणि Center for Transportation, Environment, and Community Health चे संचालक आहेत. Sustainable Urban Digital Twin नावाच्या या पथकाच्या प्रोटोटाइपमध्ये चार मॉड्युलर स्तर आहेत असे वर्णन केले आहे. भौतिक स्तर अनेक मोठ्या डेटाबेसमधून माहिती गोळा करतो. डिजिटल स्तर त्या इनपुट्सचे आयोजन आणि मॉडेलिंग करतो. एक “brain” स्तर Bayesian modeling आणि machine learning वापरून डेटा विश्लेषित करतो आणि परिणामांचा अंदाज घेतो. शेवटचा service स्तर त्या विश्लेषणाला दृश्यीकरण आणि नियोजक व धोरणकर्त्यांसाठी सुचवलेल्या कृतींसह व्यावहारिक साधनांमध्ये रूपांतरित करतो.
ही स्तरित रचना लक्षवेधी आहे, कारण ती शहरी तंत्रज्ञानातील व्यापक बदल प्रतिबिंबित करते. शहर मॉडेल तेव्हाच उपयुक्त ठरते, जेव्हा ते कच्च्या संवेदनातून अर्थपूर्ण मार्गदर्शनापर्यंत जाऊ शकते. अनेक स्मार्ट-सिटी प्रयत्न डॅशबोर्ड्स किंवा वेगवेगळ्या पायलट्सपुरतेच थांबल्याबद्दल टीकेचे धनी ठरले आहेत. कॉर्नेलची मांडणी अधिक कार्यक्षम काहीतरी उभारण्याचा प्रयत्न सूचित करते: अशी प्रणाली जी डेटा शोषून घेऊ शकते, थेट मोजमाप कमी असलेल्या ठिकाणीही स्थितीचा अंदाज घेऊ शकते, आणि हस्तक्षेपाबाबतच्या निवडींना पाठबळ देऊ शकते.
मोजमापांपासून हॉटस्पॉट्स आणि परिस्थिती-चाचणीपर्यंत
मूळ साहित्याप्रमाणे, हा प्रोटोटाइप संशोधक आणि नियोजकांना मॅनहॅटनमधील उत्सर्जन पातळीचे निरीक्षण करण्यास आणि हॉटस्पॉट्स ओळखण्यास सक्षम करतो. हे एक महत्त्वाचे व्यावहारिक पाऊल आहे, कारण शहरे पर्यावरणीय भार समान रीतीने अनुभवत नाहीत. स्ट्रीट कॅनियन्स, वाहतुकीची रचना, इमारतींची घनता, ऊर्जा वापर, आणि स्थानिक हवामान यांमुळे थोड्याच अंतरात परिस्थिती तीव्रपणे वेगळी असलेली ठिकाणे तयार होऊ शकतात. स्थिर वार्षिक सरासरी ही गुंतागुंत क्वचितच पकडते.
जर डिजिटल ट्विन ही फरक जवळजवळ रिअल टाइममध्ये मोजू शकत असेल, तर तो केवळ निरीक्षणापेक्षा अधिक उपयुक्त ठरतो. प्रस्तावित बदल बांधकाम सुरू होण्यापूर्वी किंवा नियम लागू होण्यापूर्वी शहरी प्रणालीत कसा परिणाम करेल हे मूल्यांकन करण्यात तो अधिकाऱ्यांना मदत करू शकतो. उदाहरणार्थ, वाहतुकीतील बदल वाहतूक प्रवाह बदलू शकतो, ज्यामुळे स्थानिक उत्सर्जन, सार्वजनिक संपर्क, आणि ऊर्जा मागणीचे नमुनेही बदलू शकतात. एकात्मिक फ्रेमवर्कचे मूल्य म्हणजे हे संबंध लवकर उघड करणे, जेणेकरून धोरणनिर्मितीसाठी त्यांचा उपयोग होऊ शकेल.
मूळ मजकुरात असा दावा केलेला नाही की मॅनहॅटन ट्विनने आधीच शहर नियोजनाची समस्या सोडवली आहे. ते अधिक शिस्तबद्ध आणि अधिक विश्वासार्ह आहे: हा फ्रेमवर्क डेटा एकत्रित करण्याची, काळ आणि अवकाशात स्थिती मोजण्याची, आणि पर्यावरणीय माहिती मोठ्या प्रमाणावर दृश्यरूपात सादर करण्याची क्षमता दाखवतो. ही सक्षम करणारी कार्ये आहेत. संशोधनाच्या दृष्टीने, ती सिद्ध करतात की ही रचना भविष्यातील अनुप्रयोगांना पाठबळ देऊ शकते. धोरणाच्या दृष्टीने, ती सूचित करतात की हे मॉडेल निव्वळ शैक्षणिक व्यायाम न राहता निर्णय-समर्थन थर बनू शकते.
शहरी डिजिटल ट्विन्सकडे अधिक लक्ष का जात आहे
शहरे वाढत असताना आणि हवामान, आरोग्य, तसेच पायाभूत सुविधांवरील ताण तीव्र होत असताना, शहरी सरकारांवर जलद आणि अधिक चांगल्या पुराव्यांच्या आधारे निर्णय घेण्याचा दबाव आहे. पारंपरिक नियोजन साधने सतत अद्ययावत होणाऱ्या, क्रॉस-सेक्टर मॉडेलिंगसाठी तयार केलेली नव्हती. ती अनेकदा कालांतराने होणाऱ्या अभ्यासांवर, वेगळ्या एजन्सी डेटासेट्सवर, किंवा परिस्थिती बदलल्यानंतर दुरुस्त करणे कठीण अशा गृहितकांवर अवलंबून असतात. डिजिटल ट्विन्स निरीक्षणे आणि अंदाज एका सामायिक संगणकीय वातावरणात जोडून अधिक गतिमान पर्यायाचे आश्वासन देतात.
ते आश्वासन अद्याप या क्षेत्रात समान रीतीने साकार झालेले नाही. काही प्रकल्प मजबूत मॉडेलिंगशिवाय केवळ दृश्यीकरणावर भर देतात. इतर तांत्रिकदृष्ट्या महत्त्वाकांक्षी असले तरी सार्वजनिक क्षेत्रातील वापरासाठी खूप अस्पष्ट किंवा नाजूक असतात. कॉर्नेलचा प्रयत्न लक्षवेधी ठरण्याचे कारण त्याचा systems focus आहे. मूळ लेखात शहरी प्रणाली परस्परावलंबी आणि स्वतंत्रपणे समजणे कठीण असल्याचे स्पष्टपणे मांडले आहे. त्यामुळे या प्रकल्पाचे मूल्य केवळ कार्बन डायऑक्साइडचा मागोवा घेण्यात नसून, विविध इनपुट्स समाविष्ट करू शकणारी आणि अनेक स्तरांवरील विश्लेषणांना पाठबळ देऊ शकणारी पुनर्वापरयोग्य रचना निर्माण करण्यात आहे.
त्या अर्थाने, मॅनहॅटनचा चाचणी प्रकरण हा एका नगरभागाबद्दल कमी आणि पद्धतीबद्दल अधिक आहे. जर फ्रेमवर्क हस्तांतरित करण्यायोग्य ठरला, तर अशा मॉडेल्सना इतर शहरांसाठी रूपांतरित करता येऊ शकते किंवा कार्बन डायऑक्साइडपलीकडील अतिरिक्त चल समाविष्ट करण्यासाठी विस्तारता येऊ शकते. पुरवलेल्या स्रोतामध्ये पुढील टप्प्यांचे तपशील नाहीत, त्यामुळे व्यापक तैनातीचा दावा करणे घाईचे ठरेल. पण लेखात वर्णन केलेली रचना त्या शक्यतेकडे निर्देश करते.
तयार उत्पादनाऐवजी एक नियोजन साधन
कॉर्नेलच्या कामाचे सर्वात मजबूत वाचन असे की ते अधिक माहितीपूर्ण शहर व्यवस्थापनासाठी एक पाया देते. ते ग्राहक-अर्ज म्हणून किंवा तयार नगरपालिका प्लॅटफॉर्म म्हणून मांडलेले नाही. हे एक फ्रेमवर्क आहे, जे आव्हानात्मक शहरी वातावरणावर तपासले गेले असून, वास्तविक-जगातील डेटा प्रवाह, सांख्यिकीय मॉडेलिंग, machine learning, आणि service-oriented outputs एका प्रणालीत कसे एकत्र करता येतात हे दाखवते.
हे महत्त्वाचे आहे, कारण शहरी शाश्वतता आता केवळ उद्देशावर नाही तर वेळेवरही अवलंबून आहे. पारंपरिक अहवाल चक्रांमधून हॉटस्पॉट्स सापडेपर्यंत त्यांना कमी करण्याच्या संधी कदाचित आधीच निघून गेल्या असतील. सतत अद्ययावत होणारा आणि धोरण अंमलबजावणीपूर्वी संभाव्य परिणाम अधोरेखित करणारा डिजिटल ट्विन सार्वजनिक निर्णयप्रक्रियेत गती आणि अचूकता दोन्ही सुधारू शकतो.
सध्या, मॅनहॅटन मॉडेल हे सुरुवातीचे पण अर्थपूर्ण प्रात्यक्षिक म्हणून उभे आहे. ते सूचित करते की डिजिटल ट्विन भविष्यकालीन शहर-तंत्रज्ञान भाषेतून अधिक ठोस पर्यावरणीय अनुप्रयोगांकडे जात आहेत. जर पुढील काम या फ्रेमवर्कवर आधारित असेल, तर मोठा लाभ म्हणजे शहरी नियोजनाच्या पायाभूत सुविधेचा एक नवा प्रकार असू शकतो: शहराला वेगवेगळ्या विभागांचा संच म्हणून नव्हे, तर एका जिवंत प्रणाली म्हणून पाहणारी अशी व्यवस्था, जी अखेरीस तुलनीय गुंतागुंतीसह मॉडेल केली जाऊ शकते.
हा लेख Phys.org च्या अहवालावर आधारित आहे. मूळ लेख वाचा.
Originally published on phys.org