A Hybrid AI-IoT Framework for Predictive Conservation of Tropical Heritage Façades: Empirical Validation from a Multi-Site Study in Indonesia

कल्पना कीजिए कि आप एक जासूस हैं जो एक रहस्य सुलझाने की कोशिश कर रहे हैं, लेकिन उंगलियों के निशान खोजने के बजाय, आप पुरानी इमारतों पर मौसम के अदृश्य निशानों की तलाश कर रहे हैं। विज्ञान का यह क्षेत्र विरासत संरक्षण (पुरानी, महत्वपूर्ण इमारतों को बचाने) और पूर्वानुमानित तकनीक (डेटा का उपयोग करके यह अनुमान लगाना कि क्या होने वाला है) के मिलन बिंदु पर स्थित है। लंबे समय से लोग जानते हैं कि गर्म और गीली जगहों पर पुरानी इमारतें बीमार हो जाती हैं। यह "बीमारी" अक्सर रंग में बदलाव के रूप में शुरू होती है—जैसे दीवार का गहरा, नम रंग हो जाना या उस पर हरे रंग के धब्बे उग आना। ये रंग परिवर्तन इमारतों के खांसने का तरीका हैं; ये दीवारों के वास्तव में ढहने से बहुत पहले होते हैं।

पारंपरिक रूप से, विशेषज्ञों को अपनी आँखों और कैमरों के साथ घूमकर यह अनुमान लगाना पड़ता है कि समस्या कहाँ है। यह छत को केवल तब देखने जैसा है जब पानी पहले ही नीचे टपक चुका हो। लेकिन क्या होगा अगर हम इमारत को एक "स्मार्टवॉच" दे सकें? यहीं पर IoT (इंटरनेट ऑफ थिंग्स) काम आता है—छोटे सेंसर जो तापमान और आर्द्रता (humidity) के बारे में हमें लगातार फुसफुसाते रहते हैं। और क्या होगा यदि हम एक कंप्यूटर को उन फुसफुसाहटों को सुनने और साथ ही इमारत के रंगों को देखने के लिए प्रशिक्षित कर सकें? यही AI (आर्टिफिशियल इंटेलिजेंस) की शक्ति है। बड़ा सवाल सिर्फ यह नहीं है कि "क्या इमारत बीमार है?" बल्कि यह है कि "क्या हम बीमारी शुरू होने से पहले ही उसका पूर्वानुमान लगा सकते हैं, ताकि हमारे पास उसे ठीक करने के लिए पर्याप्त समय हो?" यह शोध पत्र ठीक इसी पर गहराई से विचार करता है, और पूछता है कि क्या हम उष्णकटिबंधीय (tropics) क्षेत्रों की पुरानी इमारतों के लिए एक डिजिटल क्रिस्टल बॉल बना सकते हैं।

---

पुरानी इमारतों के लिए डिजिटल डॉक्टर

सेमारंग, इंडोनेशिया के नम और बरसाती शहर में, तीन ऐतिहासिक इमारतें एक अदृश्य दुश्मन का सामना कर रही हैं: मौसम। ये कोई साधारण इमारतें नहीं हैं; ये लवांग सेवू (एक औपनिवेशिक प्रशासनिक कार्यालय), पासार जोहार (एक पारंपरिक बाजार), और तवांग रेलवे स्टेशन हैं। ये ईंट, प्लास्टर और लकड़ी से बनी हैं, और निरंतर गर्मी और नमी के कारण धीरे-धीरे अपना रंग और मजबूती खो रही हैं।

रिसर्चर्स ने, हसन गबरान के नेतृत्व में, एक "हाइब्रिड AI-IoT फ्रेमवर्क" बनाने का निर्णय लिया। इसे इमारतों को दो जासूसों की एक टीम देने के रूप में समझें: एक है सेंसिंग टीम (IoT) और दूसरी है एक मस्तिष्क (AI)।

सेंसिंग टीम (The IoT)
सबसे पहले, उन्होंने तीनों इमारतों में 16 छोटे सेंसर नोड्स तैनात किए। ये सेंसर एक तंत्रिका तंत्र (nervous system) की तरह काम करते थे, जो हर 15 मिनट में हवा की जांच करते थे। उन्होंने तापमान और सबसे महत्वपूर्ण रूप से, सापेक्ष आर्द्रता (Relative Humidity - RH) को मापा। इन उष्णकटिबंधीय स्थानों में, हवा अक्सर इतनी गीली होती है कि वह स्पंज जैसी महसूस होती है। सेंसर ने ट्रैक किया कि आर्द्रता कितनी देर तक 85% से ऊपर रही—एक ऐसा स्तर जो इन सामग्रियों के लिए "खतरे के क्षेत्र" जैसा है। उन्होंने एक विशेष स्कोर भी बनाया जिसे ह्यूमिडिटी स्ट्रेस फैक्टर (HSF) कहा जाता है, जो एक "स्ट्रेस मीटर" की तरह है जो केवल वर्तमान क्षण को देखने के बजाय यह जोड़ता है कि पिछले एक दिन में इमारत ने कितनी नमी झेली है।

मस्तिष्क (The AI)
जबकि सेंसर मौसम पर नज़र रख रहे थे, शोधकर्ताओं ने इमारतों की दीवारों की हजारों उच्च-रिज़ॉल्यूशन वाली तस्वीरें लीं। उन्होंने इन सपाट तस्वीरों को 3D डिजिटल ट्विन्स में बदलने के लिए फोटोग्रामेट्री नामक तकनीक का उपयोग किया। फिर, उन्होंने इन 3D मॉडलों को लाखों छोटे टाइल्स में विभाजित किया और रंगों का विश्लेषण किया।

उन्होंने दो प्रकार के AI जासूसों का उपयोग किया:

1. अनसुपरवाइज्ड डिटेक्टिव (Hierarchical Clustering): इस AI ने रंगों को देखा और उन्हें बिना यह बताए कि वे क्या हैं, समूहों में वर्गीकृत किया। यह बिना रंगों के नाम जाने, रंगों के मिश्रण वाले बैग को उनके रंग के आधार पर छाँटने जैसा है। इसने "नम धब्बों", "मोल्ड (फफूंद) वाले क्षेत्रों" और "सामान्य ईंटों" के समूह खोज निकाले।
2. सुपरवाइज्ड डिटेक्टिव (Random Forest): यह मुख्य आकर्षण है। इस AI को मानव विशेषज्ञों द्वारा प्रशिक्षित किया गया था जिन्होंने हजारों टाइल्स को "मोल्ड", "नमक के दाग" या "स्वस्थ" के रूप में लेबल किया था। AI ने इन पैटर्न को पहचानना सीख लिया। महत्वपूर्ण बात यह है कि इस AI ने न केवल रंगों को देखा; इसने सेंसर से प्राप्त ह्यूमिडिटी स्ट्रेस फैक्टर को भी देखा। इसने सीखा कि यदि "स्ट्रेस मीटर" अधिक है, तो एक निश्चित रंग परिवर्तन जल्द ही होने की संभावना है।

बड़ी खोज: आपदा से पहले की बढ़त

परिणाम प्रभावशाली थे। AI ने न केवल नुकसान की पहचान की; बल्कि इसका पूर्वानुमान भी लगाया।

• सटीकता (Accuracy): AI एक बहुत अच्छा जासूस था। इसने दीवारों पर होने वाले नुकसान के प्रकार को लगभग 87% बार सही ढंग से पहचाना (एक स्कोर जिसे F1 कहा जाता है)। जब उन्होंने AI के नुकसान के मानचित्र की तुलना वास्तविक नुकसान से की, तो AI अकेले काम करने वाले अनसुपरवाइज्ड डिटेक्टिव की तुलना में 17% से 51% अधिक सटीक था। यह साबित करता है कि मौसम के इतिहास को जानने से AI रंगों को बेहतर ढंग से समझने में मदद मिलती है।
• ह्यूमिडिटी स्ट्रेस फैक्टर: शोधकर्ताओं ने एक परीक्षण किया यह देखने के लिए कि मौसम के डेटा को हटाने पर क्या होता है। AI का प्रदर्शन 9.2% गिर गया। इसने पुष्टि की कि "स्ट्रेस मीटर" (HSF) सबसे महत्वपूर्ण सुराग था। यह केवल इस बारे में नहीं है कि अभी कितनी नमी है, बल्कि इस बारे में है कि पिछले 24 घंटों में कितनी नमी रही है।
• क्रिस्टल बॉल (Lead Time): यह सबसे दिलचस्प हिस्सा है। सिस्टम एक "उच्च-जोखिम वाली घटना" (जैसे अचानक मोल्ड का बढ़ना) को पूरी तरह से प्रकट होने से 4.8 से 16.7 घंटे पहले पहचान सकता था। हालांकि, शोध पत्र सावधानीपूर्वक यह नोट करता है कि ये तकनीकी लीड टाइम हैं। वे दिखाते हैं कि सिस्टम चेतावनी संकेतों को जल्दी पकड़ सकता है, लेकिन अध्ययन में यह परीक्षण नहीं किया गया कि क्या बिल्डिंग मैनेजर वास्तव में उस समय सीमा के भीतर इन चेतावनियों पर कार्रवाई कर सकते हैं। स्टाफ की उपलब्धता, बजट चक्र और निर्णय प्रोटोकॉल जैसे कारकों का आकलन नहीं किया गया था, इसलिए "नुकसान शुरू होने से पहले इसे ठीक करना" एक स्थापित परिचालन वास्तविकता के बजाय एक सैद्धांतिक संभावना बनी हुई है।

उन्होंने कैसे तय किया कि पहले क्या ठीक करना है

शोधकर्ता केवल समस्याओं को खोजना नहीं चाहते थे; वे यह भी जानना चाहते थे कि कौन सी समस्याएं सबसे अधिक महत्वपूर्ण हैं। उन्होंने एक प्रायोरिटी मैट्रिक्स (Priority Matrix) बनाया। उन्होंने जोखिम स्कोर (दीवार के सड़ने की कितनी संभावना है?) को हेरिटेज वैल्यू इंडेक्स (इतिहास के लिए यह दीवार कितनी महत्वपूर्ण है?) के साथ जोड़ा।

• उच्च जोखिम + उच्च मूल्य: यह "रेड ज़ोन" है। उदाहरण के लिए, लवांग सेवू के मुख्य प्रवेश द्वार का विरासत मूल्य उच्च और जोखिम मध्यम था, जिससे यह शीर्ष प्राथमिकता बन गया।
• उच्च जोखिम + कम मूल्य: यह "टेक्निकल ज़ोन" है। लवांग सेवू के बेसमेंट में बहुत अधिक आर्द्रता और जोखिम था, लेकिन ऐतिहासिक मूल्य कम था। इसे भी ठीक करने की आवश्यकता थी, लेकिन शायद उतनी तात्कालिकता के साथ नहीं जितनी मुख्य हॉल को है।
• कम जोखिम + उच्च मूल्य: यह "वॉच ज़ोन" है। बस नज़र रखें।

कमी और भविष्य

यह शोध पत्र अपनी सीमाओं के बारे में बहुत ईमानदार है। AI एक "ब्लूप्रिंट" है, कोई जादू की छड़ी नहीं जो हर जगह तुरंत काम करती है।

• इसे स्थानीय ट्यूनिंग की आवश्यकता है: विशिष्ट आर्द्रता सीमा (85%) सेमारंग में काम कर सकती है, लेकिन एक अलग उष्णकटिबंधीय शहर को एक अलग संख्या की आवश्यकता हो सकती है। नए स्थानों के लिए मॉडल को "रीकैलिब्रेट" करने की आवश्यकता है।
• यह एक तकनीकी चेतावनी है, जादू का समाधान नहीं: AI कह सकता है, "12 घंटे में खतरा!" लेकिन यह नहीं जानता कि क्या बिल्डिंग प्रबंधकों के पास वास्तव में उस समय में इसे ठीक करने के लिए बजट या स्टाफ है। वह हिस्सा अभी भी इंसानों पर निर्भर है, और अध्ययन ने परिचालन व्यवहार्यता का आकलन नहीं किया है।
• व्यक्तिपरकता (Subjectivity): हालांकि AI रंगों को पहचानने में बेहतरीन है, लेकिन यह तय करना कि रंग का बदलाव "मोल्ड" है या केवल "धूल", अभी भी मानव विशेषज्ञों की आवश्यकता रखता है। शोधकर्ताओं ने लेबल करने के लिए तीन विशेषज्ञों के बीच सहमति का उपयोग किया, लेकिन अभी भी थोड़ा मानवीय अनुमान शामिल है।

निष्कर्ष

यह अध्ययन साबित करता है कि हम पुरानी इमारतों के साथ केवल तब मदद मिलने तक इंतज़ार करने वाले मरीज़ों की तरह व्यवहार करना बंद कर सकते हैं जब वे पहले से ही मर रही हों। मौसम पर नज़र रखने वाले छोटे सेंसर और रंगों पर नज़र रखने वाले स्मार्ट AI को जोड़कर, हम उष्णकटबंधीय विरासत स्थलों में उच्च-जोखिम वाली स्थितियों का पता लगाने के लिए 4 से 16 घंटे की तकनीकी बढ़त प्राप्त कर सकते हैं। यह "रिएक्टिव" (टूटी हुई दीवार को ठीक करना) से "प्रेडिक्टिव" (जोखिम को जल्दी पहचानना) की ओर एक बदलाव है। हालांकि इस प्रणाली को अन्य शहरों में अधिक परीक्षण, भविष्य के लिए बेहतर सेंसर और वास्तविक दुनिया के परिचालन परीक्षणों की आवश्यकता है ताकि यह देखा जा सके कि प्रबंधक चेतावनियों पर कार्रवाई कर सकते हैं या नहीं, फिर भी यह बदलते परिवेश में हमारे इतिहास को खड़ा रखने का एक आशाजनक, डेटा-संचालित तरीका प्रदान करता है।