LOCATE: Context-Aware GeoAI Decision Support for Population-Oriented Air-Quality Sensor Placement in Data-Constrained Cities

साफ हवा में सांस लेना एक मौलिक मानवीय आवश्यकता है, फिर भी दुनिया के कई सबसे तेजी से बढ़ते शहरों में, हवा अक्सर यातायात, उद्योग और कचरा जलाने से निकलने वाले अदृश्य प्रदूषकों से घिरी रहती है। इस समस्या को समझने और हल करने के लिए, वैज्ञानिक और शहर नियोजक वायु गुणवत्ता मापने वाले सेंसर नेटवर्क पर भरोसा करते हैं। हालांकि, इन सेंसरों को स्थापित करना एक कठिन पहेली है। यदि उन्हें एक-दूसरे से बहुत दूर रखा जाता है, तो वे प्रदूषण के खतरनाक क्षेत्रों को छोड़ देते हैं; यदि उन्हें बहुत करीब रखा जाता है, तो वे संसाधनों को बर्बाद करते हैं और पूरी कहानी बताने में विफल रहते हैं। सीमित डेटा और धन वाले शहरों में, सही स्थान खोजना और भी कठिन हो जाता है क्योंकि नियोजकों के पास अक्सर इस बात का विस्तृत मानचित्र नहीं होता कि प्रदूषण वास्तव में कहां है। उन्हें सेंसर स्थापित करने से पहले ही यह तय करना होता है कि उन्हें कहां रखना है, जो इस बात पर निर्भर करता है कि वे लोग कहाँ रहते हैं और शहर की बनावट कैसी है।

मेकररे विश्वविद्यालय के शोधकर्ताओं की एक टीम और युगांडा, केन्या और नाइजीरिया के सहयोगियों ने इस पहेली को सुलझाने का एक नया तरीका विकसित किया है। उन्होंने LOCATE नामक एक डिजिटल प्लानिंग टूल बनाया है, जो शहर के अधिकारियों के लिए एक स्मार्ट गाइड की तरह काम करता है। प्रदूषण के सटीक मानचित्र की आवश्यकता के बिना—जो अक्सर अभी मौजूद नहीं होता—यह टूल सड़कों और इमारतों के खुले मानचित्रों का उपयोग करता है, साथ ही इस डेटा का भी उपयोग करता है कि लोग कहाँ रहते हैं, ताकि यह पता लगाया जा सके कि वायु-गुणवत्ता सेंसर लगाने के लिए सबसे अच्छी जगहें कौन सी हैं। शोधकर्ताओं ने इस टूल का परीक्षण चार बहुत अलग अफ्रीकी शहरों में किया: युगांडा में कंपाला और जिंजा, केन्या में नैरोबी और नाइजीरिया में लागोस। वे यह देखना चाहते थे कि क्या वे एक ऐसा सेंसर नेटवर्क डिजाइन कर सकते हैं जो अधिकांश लोगों के करीब पहुँच सके, और साथ ही प्रत्येक शहर के मोहल्लों के अनूठे चरित्र को भी पकड़ सके, और इसके लिए उन्हें शुरुआत में किसी महंगे या जटिल प्रदूषण डेटा की आवश्यकता नहीं पड़ी।

शोधकर्ताओं ने शहरों को संभावित स्थानों के एक संग्रह के रूप में मानकर इस समस्या के प्रति दृष्टिकोण अपनाया। उन्होंने शहर की सीमाओं के भीतर सेंसरों के हजारों संभावित स्थानों को तैयार किया। प्रत्येक स्थान के लिए, टूल ने दो मुख्य चीजों को देखा: आस-पास कितने लोग रहते थे और उनके तत्काल परिवेश का स्वरूप कैसा था, जैसे कि कम दूरी के भीतर कितनी सड़कें या इमारतें थीं। फिर उन्होंने कंप्यूटर सिमुलेशन की एक श्रृंखला चलाई यह देखने के लिए कि सबसे प्रभावी तरीके से स्थानों को चुनने की कौन सी विधि काम करती है। उन्होंने दस अलग-अलग रणनीतियों का परीक्षण किया, जो साधारण रैंडम चयन से लेकर जटिल गणितीय एल्गोरिदम तक थीं, जिन्हें समान क्षेत्रों को एक साथ समूहबद्ध करने या सेंसरों के बीच की दूरी को अधिकतम करने के लिए डिज़ाइन किया गया था। उन्होंने विभिन्न संख्या में सेंसरों के साथ इन रणनीतियों का परीक्षण किया, जो पांच जितने कम से लेकर अस्सी तक थे, ताकि यह देखा जा सके कि बजट बढ़ने के साथ कवरेज कैसे बदलता है।

परिणामों ने दिखाया कि एक विशिष्ट रणनीति सार्वजनिक स्वास्थ्य की सुरक्षा के लक्ष्य के लिए सबसे विश्वसनीय रूप पर उभरी। इस रणनीति को 'पॉपुलेशन-वेटेड पी-मीडियन ह्यूरिस्टिक' (population-weighted p-median heuristic) के रूप में जाना जाता है, जो बड़े समूहों के करीब रहने वाले स्थानों को प्राथमिकता देकर काम करती है और साथ ही यह सुनिश्चित करती है कि सेंसर विविध वातावरणों, जैसे व्यस्त वाणिज्यिक सड़कों या घने आवासीय क्षेत्रों का प्रतिनिधित्व करने वाले क्षेत्रों में रखे जाएं। परीक्षण किए गए प्रत्येक शहर में, इस पद्धति ने सबसे अच्छा समग्र लेआउट तैयार किया। इसने सेंसरों को इस तरह से स्थापित किया कि अस्सी सेंसरों के उपयोग के साथ कंपाला और जिंजा जैसे छोटे शहरों की लगभग पूरी आबादी एक सेंसर के दो किलोमीटर के दायरे में आ गई। नैरोबी और लागोस जैसे बहुत बड़े और जटिल शहरों में, समान संख्या में सेंसरों ने थोड़ा कम आबादी को कवर किया, जो क्रमशः लगभग 98 प्रतिशत और 90 प्रतिशत तक पहुँचा। यह अंतर रेखांकित करता है कि एक ही संख्या के सेंसर हर शहर के लिए काम नहीं आते; एक नेटवर्क जो एक सघन शहर के लिए आदर्श है, वह एक फैले हुए महानगर में बड़े अंतराल छोड़ सकता है।

अध्ययन में यह भी पाया गया कि जबकि कुछ कंप्यूटर विधियाँ समान डेटा बिंदुओं को एक साथ समूहबद्ध करने में बहुत अच्छी थीं, लेकिन वह कौशल हमेशा वास्तविक दुनिया में सेंसर रखने के लिए सबसे अच्छा नहीं रहा। उदाहरण के लिए, 'काइमिस' (KMeans) नामक एक विधि ने सुंदर गणितीय समूह बनाने में उत्कृष्टता दिखाई, लेकिन निगरानी की आवश्यकता वाले लोगों को कवर करने के मामले में यह जनसंख्या-केंद्रित रणनीति जितनी प्रभावी नहीं थी। यह अंतर महत्वपूर्ण है: डेटा बिंदुओं का एक गणितीय रूप से पूर्ण समूह आवश्यक रूप से एक ऐसा सेंसर नेटवर्क नहीं होता जो सबसे अधिक लोगों की रक्षा करता हो। शोधकर्ताओं ने यह भी नोट किया कि उनका टूल नियोजन चरण के लिए डिज़ाइन किया गया है, किसी भी हार्डवेयर को खरीदने या स्थापित करने से पहले। यह अनुशंसित साइटों की एक संक्षिप्त सूची तैयार करता है, लेकिन यह गारंटी नहीं दे सकता कि कोई विशिष्ट स्थान सुरक्षित है, वहां बिजली है, या स्थानीय अधिकारियों द्वारा इसकी अनुमति है। वे अंतिम जांच अभी भी ज़मीनी स्तर पर लोगों द्वारा की जानी चाहिए।

अंततः, यह कार्य प्रदर्शित करता है कि शहर महंगे प्रदूषण मानचित्रों के बिना भी प्रभावी वायु-गुणवत्ता निगरानी नेटवर्क की योजना बना सकते हैं। जनसंख्या और शहरी बुनियादी ढांचे के बारे में मुफ्त उपलब्ध डेटा का उपयोग करके, नियोजक अपने धन का अधिकतम मूल्य प्राप्त करने के लिए सेंसर लगाने के निर्णय सूचित तरीके से ले सकते हैं। यह टूल स्वयं प्रदूषण की समस्या को हल करने का दावा नहीं करता है, न ही यह सीधे हवा को मापता है। इसके बजाय, यह सरकारों को ऐसे नेटवर्क बनाने के लिए एक स्पष्ट, साक्ष्य-आधारित शुरुआती बिंदु प्रदान करता है जो अंततः लाखों निवासियों के स्वास्थ्य की रक्षा कर सकें। अध्ययन पुष्टि करता है कि किसी शहर को कितने सेंसरों की आवश्यकता होती है, इसका कोई सार्वभौमिक नियम नहीं है; सही संख्या पूरी तरह से शहर के आकार, लोगों के फैलाव और निगरानी कार्यक्रम के विशिष्ट लक्ष्यों पर निर्भर करती है। इस दृष्टिकोण के साथ, शहर आत्मविश्वास के साथ आगे बढ़ सकते हैं, यह जानते हुए कि उनके सेंसर नेटवर्क को उन लोगों तक पहुँचने के लिए डिज़ाइन किया गया है जिन्हें उनकी सबसे अधिक आवश्यकता है।