AI & computing › Digital twins (mens & stad)
Cornell bouwt digitale tweeling van Manhattan om CO2-uitstoot te volgen
Onderzoekers van Cornell University hebben een digitale kopie van Manhattan gebouwd die in real time de CO2-concentraties in de stad in kaart brengt. Het systeem moet stadsplanners helpen om vervuilingsbronnen op te sporen en maatregelen eerst virtueel te testen voordat ze in de echte stad worden ingevoerd.
Steden zijn ingewikkelde systemen waarin verkeer, energie, water en gezondheid voortdurend op elkaar inwerken. Een kleine verandering in het verkeer kan gevolgen hebben voor de luchtkwaliteit, en die weer voor de volksgezondheid. Al die informatie komt meestal uit losse bronnen, in verschillende formats en met wisselende actualiteit. Daardoor is het voor gemeenten lastig om een compleet beeld te krijgen van wat er in hun stad gebeurt.
Een team onder leiding van hoogleraar H. Oliver Gao van Cornell University bedacht daarom een digitale tweeling van Manhattan: een voortdurend bijgewerkte virtuele versie van de stad die echte meetgegevens gebruikt. Het onderzoek is gepubliceerd in het tijdschrift Environmental Modelling & Software. Als testcasus koos het team voor CO2-concentraties, omdat daar al dichte meetnetwerken voor bestaan.
Waarom Manhattan als proeftuin
Manhattan is dicht bebouwd en heeft een complexe mix van verkeer, gebouwen en industrie, wat het volgens de onderzoekers een pittige test vormt voor hun systeem. Co-auteur Yishuo Jiang, postdoctoraal onderzoeker aan Cornell, legt uit dat de stad al sensoren heeft die elke vijf minuten CO2-concentraties, temperatuur en luchtvochtigheid meten. Die hoge meetfrequentie maakte het mogelijk om verschillen tussen wijken te vergelijken en potentiële vervuilingshotspots te herkennen.
Vier lagen die de stad naspelen
Het systeem, dat de onderzoekers de Sustainable Urban Digital Twin noemen, bestaat uit vier onderling verbonden lagen. De fysieke laag verzamelt data uit meerdere grote databases. De digitale laag ordent en modelleert die informatie. Vervolgens analyseert de zogeheten 'brein-laag' de gegevens met onzekerheidskwantificering en machinelearning om voorspellingen te doen. De laatste, dienstverlenende laag zet die uitkomsten om in bruikbare kaarten en visualisaties voor beleidsmakers.
Door gegevens uit verschillende bronnen te combineren, een vorm van data-assimilatie, kon het team niet alleen actuele CO2-waarden tonen, maar ook de onzekerheid in die metingen inschatten en ruimtelijke patronen zichtbaar maken. Zo ontstond een kaart waarop te zien is waar de uitstoot in de stad het hoogst is.
Nog een prototype, met grote ambities
De onderzoekers benadrukken dat het systeem voorlopig een onderzoeksprototype blijft. Voor stoffen als fijnstof, stikstofoxiden en ozon is nog aanvullend werk nodig voordat het platform breder inzetbaar is voor CO2-reductie en luchtkwaliteitsbeleid. Op termijn zien de onderzoekers mogelijkheden voor vereenvoudigde dashboards waarmee bewoners zelf de luchtkwaliteit in hun buurt kunnen volgen, en voor het testen van maatregelen voordat die in de praktijk worden ingevoerd.
Gao noemt het project een eerste stap richting een nieuwe generatie 'stedelijke intelligentiesystemen'. Het team wil de aanpak uitbreiden naar meer vervuilende stoffen, AI-ondersteunde besluitvorming toevoegen en de methode testen in andere steden, in samenwerking met partners wereldwijd.
Achtergrond & begrippen
Wat betekent dit voor de toekomst? Digitale tweelingen van steden kunnen gemeenten helpen om vervuiling sneller op te sporen en beleid te testen voordat het geld en moeite kost in de echte wereld. Als het Manhattan-project uitgroeit tot een volwaardig systeem, kunnen andere steden dezelfde aanpak gebruiken om luchtkwaliteit, verkeer en energie beter op elkaar af te stemmen.
- Digitale tweeling
- Een voortdurend bijgewerkte virtuele kopie van een echt systeem, zoals een stad, die actuele meetgegevens gebruikt om de werkelijkheid na te bootsen.
- Data-assimilatie
- Een methode waarbij metingen uit verschillende bronnen worden gecombineerd met modellen om een zo compleet mogelijk beeld van de werkelijkheid te krijgen.
- Onzekerheidskwantificering
- Een techniek waarmee wordt berekend hoe betrouwbaar een meting of voorspelling is, zodat gebruikers weten hoeveel vertrouwen ze in een resultaat kunnen hebben.
- Bayesiaanse modellering
- Een statistische methode waarbij nieuwe metingen worden gebruikt om eerdere aannames stap voor stap bij te stellen, zodat voorspellingen steeds nauwkeuriger worden.
- Hotspotdetectie
- Het opsporen van plekken waar een bepaalde stof, zoals CO2, in veel hogere concentratie voorkomt dan in de omgeving.
Bronnen
Dit artikel is met behulp van AI geschreven op basis van bovenstaande bronnen en is geen letterlijke vertaling. Zo werkt onze redactie.
