नमस्कार। मैं 『कार्बन उत्सर्जन में कमी प्रमाणित करने की तकनीक और समाधान』 का लेखक बोंगजुन ली हूँ। आज मैं किताब में दिए गए डिजिटल MRV के बारे में आपके साथ बात करना चाहता हूँ। शुरुआत एक परिचित सवाल से करते हैं: “क्या वाकई उत्सर्जन कम हुआ है?” कार्बन-कटौती तकनीक अपनाने वाले खेत हों या क्लाइमेट-टेक कंपनी को परखने वाले निवेशक—आखिरकार आप सब इसका जवाब जानना चाहेंगे।
एक दृश्य सोचिए। कम-कार्बन चारा देना शुरू करने के बाद पशुशाला में मीथेन की सांद्रता का ग्राफ नीचे आता है। यह अच्छा बदलाव है। लेकिन क्या हम तुरंत कह सकते हैं, “चारे की वजह से मीथेन उत्सर्जन कम हुआ”? मैं यहाँ एक पल रुककर ग्राफ के बाहर की शर्तें भी देखने का सुझाव दूँगा। उस दिन वेंटिलेशन पंखे कितनी देर चले? गायों की संख्या और चारा देने का समय क्या वही था?
क्या सांद्रता कम होने का मतलब उत्सर्जन भी कम हुआ?
पहले सांद्रता और उत्सर्जन की मात्रा अलग-अलग समझें। सांद्रता बताती है कि हवा में मीथेन कितनी मिली हुई है। उत्सर्जन की मात्रा बताती है कि तय समय में कितनी मीथेन निकली। ये दोनों संख्याएँ अलग सवालों का जवाब देती हैं।
मीथेन की उतनी ही मात्रा निकलने पर भी वेंटिलेशन बढ़ाने से वह अधिक हवा में मिल सकती है और सांद्रता कम हो सकती है। यानी कमरे की हवा में गैस का तनुकरण हुआ। इसके उलट, सांद्रता लगभग समान हो सकती है, लेकिन बाहर जाने वाली हवा की मात्रा बदले तो उत्सर्जित मीथेन की मात्रा बदल सकती है। इसलिए केवल सांद्रता का ग्राफ देखकर चारे के उत्सर्जन-कटौती प्रभाव की पुष्टि करना कठिन है।
इसका यह अर्थ नहीं कि सेंसर के आँकड़े बेकार हैं। सेंसर खेत की परिस्थितियों में बदलाव देखने का महत्वपूर्ण साधन हैं। पर इन आँकड़ों से उत्सर्जन की मात्रा समझने के लिए हवा के प्रवाह, पृष्ठभूमि सांद्रता और मापन की जगह जैसी जानकारी भी जोड़नी होगी। खासकर प्राकृतिक वेंटिलेशन वाली पशुशाला में पहले यह देखना होगा कि हवा और उसके प्रवाह को कैसे मापा जाएगा।
डिजिटल MRV का काम उस संख्या का हिसाब और आधार दर्ज करना है
आइए MRV को समझें। इसके तीन चरण हैं: मापन, रिपोर्टिंग और सत्यापन। खेत पर डेटा बनाया जाता है, यह समझाया जाता है कि किस पद्धति से गणना हुई, और फिर जाँचा जाता है कि यह विवरण और उसके साक्ष्य तय मानदंडों पर खरे उतरते हैं या नहीं। किताब के सातवें अध्याय में इस प्रक्रिया को साक्ष्यों की एक शृंखला के रूप में देखा गया है। ऐसा इसलिए कि शुरुआती जानकारी से अंतिम संख्या तक के जुड़ाव महत्वपूर्ण हैं।
डिजिटल MRV में सेंसर, संचार और डेटा संसाधन तकनीकें इस्तेमाल होती हैं। विश्व बैंक की MRV व्याख्या भी बताती है कि डिजिटल तकनीक डेटा संग्रह, संसाधन और गुणवत्ता नियंत्रण में मदद कर सकती है। लेकिन डेटा अपने आप इकट्ठा हुआ, इससे मापन की गुणवत्ता की पुष्टि नहीं होती। यह भी देखना होगा कि उपकरण सही जगह लगाया गया था या नहीं और उसकी स्थिति कैसी थी।
मैं सुझाव दूँगा कि क्या मापना है, यह तय करने से पहले सोचें कि उस नतीजे का उपयोग किस लिए करना है। क्या आप खेत में असामान्य स्थिति पहचानना चाहते हैं? चारे के प्रभाव की तुलना करना चाहते हैं? या बाहरी पक्ष को उत्सर्जन-कटौती की मात्रा जमा करनी है? उद्देश्य बदलने पर जरूरी डेटा और सत्यापन का दायरा भी बदल जाता है।
AI किन कामों में मदद कर सकता है, इसे भी अलग से देखें
क्लाइमेट-टेक की चर्चा में AI का ज़िक्र अक्सर होता है। सेंसर की असामान्य रीडिंग खोजने या कुछ समय के लिए गायब रहे डेटा का अनुमान लगाने में AI उपयोगी हो सकता है। यहाँ यह याद रखना जरूरी है कि पूर्वानुमान अच्छा करना और बदलाव का कारण साबित करना एक ही काम नहीं है।
मान लें कि AI ने मीथेन सांद्रता में बदलाव का अच्छा पूर्वानुमान लगाया। इससे अपने आप यह निष्कर्ष नहीं निकलता कि बदलाव चारे के कारण हुआ। यह भी देखना होगा कि मौसम, वेंटिलेशन और पशुपालन की शर्तें एक साथ बदली थीं या नहीं। गणना से भरे गए मान को ऐसे भी नहीं दिखाना चाहिए जैसे वह प्रत्यक्ष मापन हो। क्या देखा गया और किसका अनुमान लगाया गया—यह बताने पर ही आप नतीजे का आकलन कर पाएँगे।
यदि आप जानना चाहते हैं कि AI दूसरे खेतों में भी काम करेगा या नहीं, तो पूछें कि क्या वहाँ की परिस्थितियों में उसका प्रदर्शन जाँचा गया था। प्रशिक्षण डेटा, मॉडल संस्करण और वे स्थितियाँ भी देखें जिनमें मॉडल ठीक से काम नहीं करता। किताब के आठवें अध्याय में ऐसे रिकॉर्ड पर जोर इसलिए दिया गया है ताकि मॉडल के वास्तविक उपयोग की सीमा समझाई जा सके।
निवेशक हों तो ग्राफ के पीछे के रिकॉर्ड भी देखें
यदि आप किसी क्लाइमेट-टेक कंपनी का मूल्यांकन कर रहे हैं, तो डेटा कितना है, इसके साथ यह भी देखें कि उससे किस तरह के फैसले में मदद मिलती है। स्क्रीन पर उत्सर्जन-कटौती का आँकड़ा दिखे तो पता लगाएँ कि वह कहाँ से आया। किस उपकरण का डेटा था, उस पर क्या सुधार और गणना की गई, और संशोधन होने पर किसने तथा क्यों किया—यह जाँचें।
इस रास्ते को डेटा वंशावली (data lineage) कहते हैं। दूसरों के लिए भी उस प्रक्रिया को देख पाना संभव होना चाहिए। ग्राफ तो मौजूद हो, लेकिन मूल डेटा न मिले, तो समीक्षा कठिन हो सकती है। इसलिए डेटा तक पहुँच और उसे सौंपने की शर्तें, अंशांकन का इतिहास और संसाधन के नियम भी जाँचें।
गणना को दोबारा किया जा सके, तब भी इनपुट डेटा या तुलना की शर्तें गलत हों तो निष्कर्ष अशुद्ध हो सकता है। गणना को दोहराने की क्षमता और इनपुट साक्ष्य की उपयुक्तता—दोनों की जाँच जरूरी है। मेरा मानना है कि तकनीकी समीक्षा की अच्छी शुरुआत यह देखना है कि कंपनी इन बातों को समझा सकती है या नहीं।
किताब पढ़ते समय ये सवाल जरूर लिख लें
यह डेटा किसके किस निर्णय में मदद के लिए इकट्ठा किया गया है?
क्या सांद्रता और उत्सर्जन की मात्रा को अलग-अलग समझाया गया है?
क्या पशुपालन, चारा देने और वेंटिलेशन की शर्तों की तुलना करने वाले रिकॉर्ड मौजूद हैं?
क्या प्रत्यक्ष मापन और AI से अनुमानित मानों को अलग रखा गया है?
क्या मूल डेटा और अंशांकन तथा संशोधन के इतिहास की समीक्षा की जा सकती है?
क्या सत्यापन करने वाले व्यक्ति की भूमिका और हितों के टकराव की जाँच हुई है?
कार्बन-कटौती का सत्यापन ऐसे सवालों के एक-एक करके जवाब देने की प्रक्रिया है। सेंसर लगने और डेटा जमा होने के तथ्य से आगे बढ़कर यह दर्ज किया जाता है कि किस बदलाव की पुष्टि हुई, उसका कितना स्पष्टीकरण दिया जा सकता है और अभी क्या जाँचना बाकी है। सत्यापन के नतीजे आ जाने पर भी क्रेडिट जारी होने या बिक्री से आय मिलने के लिए संबंधित आवश्यकताएँ और अनुबंध अलग से जाँचने होंगे।
किताब पढ़ने के बाद आपको हर गणना खुद करने की जरूरत नहीं है। डेटा मिलने पर क्या पूछना है, यह जान लेना भी फर्क ला सकता है। इससे आप तकनीक के वादे और उसके साक्ष्य को साथ रखकर देख सकते हैं। अगली बार जब आपको कार्बन-कटौती का कोई ग्राफ दिखे, तो कृपया उसके पीछे संख्या बनने की प्रक्रिया भी देखें।
लेखक परिचय
बोंगजुन ली ने सोगांग विश्वविद्यालय के प्रौद्योगिकी प्रबंधन स्नातकोत्तर विद्यालय (MOT) में अपनी पढ़ाई पूरी की। उन्होंने Infitron Co., Ltd. में 7 वर्ष और Honeywell में 20 वर्ष सहित गैस मापन के क्षेत्र में 27 वर्षों तक सेवा इंजीनियरिंग, तकनीकी बिक्री और चैनल प्रबंधन के काम किए। वर्तमान में AI Safety Korea Co., Ltd. के संस्थापक के रूप में वे सेंसर, AI और डेटा विश्लेषण का उपयोग करते हुए पशुधन मीथेन निगरानी तथा मापन, रिपोर्टिंग और सत्यापन (MRV) व्यवस्था पर शोध कर रहे हैं।