मुंबई, दिल्लीत हरितगृह वायू उत्सर्जनात वाढ; आयआयटीचा ‘उपग्रह अभ्यास’

भारतासह एकूण १९५ राष्ट्रांनी पॅरिस करारावर स्वाक्षरी केली असून, ही राष्ट्रे हरितगृह (ग्रीनहाऊस गॅसेस) उत्सर्जन राष्ट्रीय स्तरावर निश्चित केलेल्या एनडीसी मर्यादेच्या आत (नॅशनली डिटरमाईंड काँट्रीब्युशन) ठेवण्यास वचनबद्ध आहेत. कार्बन डायऑक्साईड आणि मिथेन सारख्या वातावरणातील हरितगृह वायूंची अचूक माहिती असणे, उत्सर्जनाच्या पातळीवर लक्ष ठेवण्यासाठी आणि एनडीसी वचनबद्धता पूर्ण करण्यासाठी अत्यंत महत्त्वाचे आहे.

मात्र, भारतात हरितगृह वायूंचे प्रमाण मोजण्यासाठी लागणारी भू-स्थानकांची (जमिनीवर असलेल्या केंद्रांची) विस्तृत यंत्रणा उपलब्ध नाही. यावर तोडगा काढण्यासाठी, भारतीय तंत्रज्ञान संस्था (आयआयटी) मुंबईचे संशोधक, प्रा. मनोरंजन साहू आणि आदर्श अलगडे यांनी उपग्रहांद्वारे प्राप्त माहितीचा (सॅटेलाईट डेटा) आधार घेतला. नुकत्याच झालेल्या एका अभ्यासात त्यांनी दाखवून दिले की मुंबई आणि दिल्लीसारख्या महानगरांमध्ये कार्बन डायऑक्साईड आणि मिथेनची पातळी खात्रीशीरपणे दूरस्थ संवेदनातून मिळालेल्या (रिमोट सेन्सिंग डेटाचा) उपयोग केला जाऊ शकतो. उपग्रहावरून मापनांचा वापर करून केलेल्या निरीक्षणांमध्ये संशोधकांना आढळले दोन्ही शहरांमध्ये हरितगृह वायूंचे प्रमाण वाढते आहे आणि त्यात ऋतूनुसार तसेच स्थानिक भिन्नतेनुसार बदल दिसून येतात. संशोधकांनी हरितगृह वायूंच्या पातळीचा अंदाज लावण्यासाठी त्या शहराच्या संदर्भात शहर-विशिष्ट सांख्यिकीय मॉडेल्सदेखील विकसित केली.

“उपग्रहाद्वारे प्राप्त माहितीच्या आधारे निरीक्षणामुळे उत्सर्जक स्रोतांमधील बदल आणि उत्सर्जनाची तीव्रता जास्त असलेली ठिकाणे (हॉटस्पॉट्स) ओळखता येतात. त्यामुळे धोरणकर्त्यांना सर्वांत धोकादायक स्रोत ओळखण्यासाठी आणि त्यांच्यावर लक्ष ठेवण्यासाठी योग्य माहिती मिळते. उदाहरणार्थ, कचरापेटीमधून उत्सर्जित वायू (लँडफिल गॅस) पकडणे, उत्सर्जन असलेल्या मार्गांवर वाहतूक व्यवस्थापन करणे किंवा औद्योगिक उत्सर्जन मर्यादेपेक्षा कमी ठेवले जाईल याची काळजी घेणे शक्य होऊ शकते. या उपग्रह-आधारित माहितीमुळे, कालांतराने धोरणांच्या प्रत्यक्ष परिणामांचे मूल्यांकन करणेदेखील सोपे होते,” अशा शब्दांत प्रा. साहू यांनी उपग्रह-आधारित माहिती वापरण्याचे फायदे सांगितले. अलगडे यांनी कार्बन डायऑक्साईडचा मागोवा घेण्यासाठी नासाच्या ‘ऑर्बिटिंग ऑब्झर्वेटरी-२’ (ओसीओ-२) उपग्रहाद्वारे प्राप्त माहिती वापरली आणि मिथेनसाठी युरोपीय स्पेस एजन्सीच्या ‘सेंटिनेल-५पी’ उपग्रहाची मदत घेतली.

हे उपग्रह उत्सर्जनाची थेट माहिती देत नाहीत. त्यामुळे, संशोधकांनी उपग्रहांद्वारे मिळणाऱ्या आकड्यांवरून (रॉ डेटा) आवश्यक असलेली मूल्ये काढण्यासाठी विशेष अल्गोरिदमचा वापर केला. काढलेल्या मूल्यांची विश्वसनीयता तपासण्यासाठी, त्यांच्या उपग्रह-आधारित नोंदींची तुलना ‘टोटल कार्बन कॉलम ऑब्झर्विंग नेटवर्क’ (टीकॉन) या जगभर पसरलेल्या भू-स्थानकांद्वारे प्राप्त मापनांशी केली. स्थानकांचे जाळे डायऑक्साईड आणि मिथेन यांच्या पातळीचे अत्यंत अचूक मापन करते. “टीकॉनने दिलेली माहिती अत्यंत अचूक असते आणि ती उपग्रहाद्वारे मिळवलेल्या माहितीमध्ये दुरुस्ती करण्यासाठी व तिचे मूल्यांकन करण्यासाठी एक जागतिक प्रमाणित मापदंड (स्टॅंडर्ड बेंचमार्क) म्हणून वापरली जाते. उपग्रहावरून मिळालेले मापन आणि टीकॉन यांना जुळवून तपासल्यास अ से सिद्ध होते उपग्रहाद्वारे केलेले मोजमाप मूलभूतपणे योग्य असतात. विविध प्रकारच्या वातावरणांमध्ये नोंदी अचूक असून, त्यांच्यातील त्रुटी स्वीकारार्ह मर्यादेत असतात,” असे प्रा. साहू म्हणाले. भारतात विश्वसनीय भू-स्तरीय आकडे उपलब्ध नाहीत. परंतु, टीकॉन मधून प्राप्त विविध ठिकाणांहून घेतलेली असून त्यात पुरेशी वातावरणीय विविधता देखील टिपली गेलेली दिसून येते. संशोधकांची उपग्रहाच्या माहितीवर आधारित टीकॉन च्या वैविध्यपूर्ण माहितीशी जुळत असल्याने, त्यांची सदर पद्धत भारतीय उपखंडाला देखील लागू होईल अशी खात्री संशोधकांना वाटते.

उपग्रहांच्या माहितीवर आधारित मापनांचा वापर करून संशोधकांनी मिथेन आणि कार्बन डायऑक्साईड वायूंचे मागील काही वर्षातील प्रमाण काढले आणि ते वाढत असल्याचे दिसून आले. या माहितीमुळे संशोधकांना मिथेनचे ‘ हॉटस्पॉट्स’ (जास्त तीव्रतेची ठिकाणे) तयार होत असल्याचे देखील दिसले. हे सहसा सांडपाणी, कचरापट्टी अथवा औद्योगिक क्षेत्रांपाशी आढळून आले. असे आणि वाढता कचरा व जलद शहरी विकास यामुळे निर्माण होणारे धोके ओळखता आल्याने उपग्रहावरून मिळालेली माहिती विशिष्ट धोरणात्मक निर्णय घेण्यासाठी महत्वाची भूमिका बजावू शकते असे येते. हरितगृह वायूंच्या पातळीतील नमुने समजून आणि त्यातील बदलांचा अंदाज लावण्यासाठी, संशोधकांनी ‘सिझनल ऑटोरिग्रेसिव्ह इंटग्रेटेड मूविंग ॲव्हरेज’ नावाचे एक सांख्यिकीय मॉडेल वापरले.

मागील डेटाच्या आधारावर भविष्यातील मूल्यांचा मॉडेलचा वापर बऱ्याचदा केला जातो. हवामानाचा देणाऱ्या प्रणालींप्रमाणेच काम करते. सोप्या भाषेत सांगायचे झाल्यास, मॉडेलमध्ये नोंदींमधील ताजे बदल, पाठोपाठच्या फरक, आणि आधीच्या ठराविक नोंदींची सरासरी तीन मापदंड वापरून पुढील महिन्याच्या हरितगृह वायूच्या प्रमाणाचा अंदाज वर्तवला याबरोबर, वर्तवताना ऋतुनुसार नियमित आणि वारंवार बदलही विचारात घेतले जातात. प्रा. साहू आणि अलगडे यांनी भारताच्या संदर्भा निश्चित केलेल्या मापदंडांसह, ‘सिझनल ऑटोरिग्रेसिव्ह इंटग्रेटेड मूविंग ॲव्हरेज’ मॉडेलमध्ये सार्वजनिक वाहतूक सुधारणे, औद्योगिक नियम कडक करणे किंवा कचरा व्यवस्थापन सुधारणे यांसारख्या उपाययोजनांमुळे उत्सर्जनात मोजता येईल इतपत फरक खरोखर पडत आहे का धोरणकर्त्यांना तपासता येऊ शकते.

उपाययोजना केल्यानंतर प्रत्यक्ष स्थितीतील माहितीची तुलना, ‘सिझनल ऑटोरिग्रेसिव्ह इंटग्रेटेड मूविंग ॲव्हरेज’च्या उपाययोजनाने अंदाजांशी करून अशा धोरणांच्या परिणामांचे अधिक विश्वसनीयपणे मूल्यांकन करता येते. उपग्रहावरून मिळणाऱ्या माहितीला मर्यादा असतात. “उपग्रहांची क्षमता प्रचंड असली तरी गोळा करण्यात अडचणी येऊ शकतात : ढग, धूळ आणि शहरांमधील धूर (स्मॉग) यांच्यामुळे मापन करताना चुका होऊ शकतात. उपग्रहातून स्थानिक नोंदी सलग उपलब्ध नसतात, तर त्या ठराविक वेळाने सतत टिपल्या जातात (स्नॅपशॉट्स).

उपग्रहांचा वापर नियमनासाठी करण्यापूर्वी सर्व घटक काळजीपूर्वकपणे ध्यानात घेणे आवश्यक आहे,” असा इशारा प्रा. साहू दिला. उपग्रहांची उपयुक्तता आणि जमिनीवरील केंद्रांच्या क्षमता एकत्रित निरीक्षण प्रणाली सर्वात प्रभावी ठरतील असे त्यांनी नमूद केले. “उपग्रहांद्वारे (स्थूल) मोठा प्रदेश तपासता येतो आणि उत्सर्जनाचे हॉटस्पॉट्स ओळखता येतात, तर जमिनीवरील केंद्रांवरून (सूक्ष्म) स्थानिक तपशील अचूकपणे नोंदवता येतो. दोन माध्यमांचा एकत्रित वापर केल्यास, स्थूल सूक्ष्म आणि स्थूल अश्या दोनही पद्धतीने निरीक्षणे जुळवता येऊ शकतात. उत्सर्जन मूल्यांच्या अनुमानाची विश्वसनीयता वाढेल आणि हवामानासंबंधी जास्त चांगली मिळाल्याने धोरणांमध्ये देखील सुधारणा करता येतील,” असे सांगितले. यासाठी भारतातील भू-स्थानकांचे (ग्राउंड-बेस्ड मॉनिटरिंग साईट्स) जाळे वाढवण्याची गरज अधोरेखित केली.

भविष्यात, मशीन लर्निंग सारखी नवी तंत्रे वापरून अनुमानांची व्याप्ती आणि अचूकता वाढवता येऊ शकते. “मशीन लर्निंग एक शक्तिशाली तंत्र आहे आणि त्याची भूमिका महत्वाची असेल. परंतु भविष्यातील सर्वोत्तम प्रणालींमध्ये मशीन लर्निंग, भौतिकशास्त्रावर आधारित मॉडेल्स (फिजिक्स-बेस्ड मॉडेल्स), उपग्रहावरील सुधारित संवेदक आणि भू-पातळीवर गोळा केलेली माहिती यांचा मेळ असला पाहिजे,” असे प्रा. साहू यांनी सांगितले.