ग्रीनहाउस गैसों से जुड़ी अनिश्चितता नतीजे के साथ जोड़ दी जाने वाली कोई औपचारिक टिप्पणी नहीं है। कार्बन उत्सर्जन की गणना में त्रुटि के कारण और उसका आकार इस बात को प्रभावित करते हैं कि कौन-सा डेटा बेहतर करना है और मौजूदा नतीजे के आधार पर कौन-सा फैसला लेना है। पुस्तक कार्बन उत्सर्जन में कमी प्रमाणित करने की तकनीक और समाधान का अध्याय 7 मापन, नमूने और मॉडल की अनिश्चितता को एक साथ देखने का नजरिया प्रस्तुत करता है।
अवधारणा और उपयोग का दायरा पहले तय करें
अनिश्चितता के स्रोत अलग-अलग हो सकते हैं। उपकरण का प्रदर्शन, स्थान और समय के संदर्भ में प्रतिनिधित्व, गतिविधि डेटा और उत्सर्जन कारक, तथा मॉडल की धारणाओं को अलग-अलग जांचना चाहिए। केवल एक हिस्से की सटीकता बढ़ाने से कुल त्रुटि उसी अनुपात में घटे, यह जरूरी नहीं है। नतीजे जमा करते समय यह दर्ज करें कि दायरे की गणना कैसे की गई और उसकी धारणाएं क्या थीं। संवेदनशीलता विश्लेषण, सांख्यिकीय अनिश्चितता और नियमों द्वारा अपेक्षित रूढ़िवादी समायोजन को एक ही अवधारणा की तरह इस्तेमाल न करें। सुधार में निवेश का आधार यह जांचना है कि किस बदलाव से वास्तव में निर्णय बदलेगा।
उत्सर्जन कारक पर आधारित आधाररेखा भी एक विकल्प है। IPCC Tier 1 में मूल उत्सर्जन कारकों का उपयोग होता है; आंत्र-किण्वन के Tier 2 में पशु पालन की विशेषताओं, कुल ऊर्जा सेवन, मीथेन रूपांतरण दर आदि को अधिक विस्तार से शामिल किया जाता है। केवल औसत कारकों से किसी खास खेत में तकनीक का प्रभाव पकड़ना कठिन हो सकता है, लेकिन कारक का इस्तेमाल अपने आप में भुगतान के लिए अनुपयुक्त नहीं है। फैसला इस बात पर निर्भर करता है कि लागू पद्धति द्वारा अनुमत उत्सर्जन कारक और गतिविधि डेटा का उपयोग, लागू शर्तों की जांच, अनिश्चितता का प्रबंधन और सत्यापन ठीक से किया गया है या नहीं।
कौन-सी अनिश्चितता सबसे अधिक योगदान देती है, यह मापन की परिस्थितियों पर निर्भर करता है। प्राकृतिक वेंटिलेशन वाली पशुशाला में वेंटिलेशन की मात्रा और स्थानिक प्रतिनिधित्व का योगदान अधिक हो सकता है; छोटी सांद्रता का अंतर मापते समय उपकरण की दोहराव क्षमता, ड्रिफ्ट और पृष्ठभूमि सुधार महत्वपूर्ण हो सकते हैं। पहले अनिश्चितता का बजट बनाएं, फिर हर मद घटाने की लागत और अंतिम निर्णय में होने वाले सुधार की तुलना करें। महंगा सेंसर या अधिक नमूने लेना हमेशा सबसे अच्छा निवेश नहीं होता।
उत्सर्जन कटौती की मात्रा के लिए मापन की मेट्रोलॉजिकल ट्रेसबिलिटी और गणना को स्रोत तक खोज पाने की क्षमता, दोनों चाहिए। मापन के मानों को दस्तावेजीकृत अंशांकन श्रृंखला और अनिश्चितता के जरिये मानक तक अनुरेखित करें; और गतिविधि डेटा, उत्सर्जन कारक तथा मॉडल को उनके स्रोत, संस्करण और लागू शर्तों के जरिये अंतिम नतीजे तक खोजने योग्य बनाएं। हर कटौती मात्रा सीधे मापन से नहीं निकलती। समीक्षक को गणना दोहराने की संभावना के साथ यह भी देखना चाहिए कि इस्तेमाल किया गया डेटा और तरीका दावे के लिए उपयुक्त हैं या नहीं।
सांद्रता हवा में गैस का अनुपात है, जबकि उत्सर्जन दर प्रति इकाई समय में उत्सर्जित द्रव्यमान है। उत्सर्जन की मात्रा मापने या उसका अनुमान लगाने के लिए उद्देश्य के अनुरूप सांद्रता, प्रवाह दर और मापन मॉडल को जोड़ना चाहिए। सांद्रता कम होने पर भी यदि हवा का प्रवाह बढ़ा है, तो यह तय नहीं कहा जा सकता कि द्रव्यमान उत्सर्जन दर भी उसी दिशा में बदली होगी। समय के साथ उत्सर्जन दर को कुल उत्सर्जन मात्रा में बदलते समय मापन अवधि और गायब डेटा के प्रबंधन को भी ध्यान में रखना होगा।
व्यावहारिक रूप से आगे बढ़ने का रास्ता है कि सांद्रता के अवलोकन और आधार उत्सर्जन दर के मापन को साथ-साथ जमा किया जाए, और वेंटिलेशन, मौसम, पशुओं की संख्या तथा चारे की जानकारी से जोड़ा जाए। मॉडल बनाने में इस्तेमाल न किए गए खेतों और समय-अवधियों के डेटा से पूर्वानुमान की त्रुटि का मूल्यांकन करें और लागू होने का दायरा स्पष्ट करें। एक ही समय के बहुत सारे अवलोकन उपलब्ध होने पर भी यदि प्रतिनिधित्व कमजोर है या साझा पक्षपात मौजूद है, तो मॉडल पर भरोसा अपने आप नहीं बढ़ता।
मैदानी उपयोग की शर्तें और सीमाएं
मान लें कि किसी परियोजना में सेंसर की सटीकता अधिक है, लेकिन वेंटिलेशन की मात्रा के अनुमान का आधार कमजोर है। जांचना चाहिए कि अतिरिक्त सेंसर लगाने की लागत नतीजे की विश्वसनीयता कितनी बढ़ाएगी। यदि त्रुटि का मुख्य स्रोत कहीं और है, तो केवल उपकरणों की संख्या बढ़ाने से फैसले में ज्यादा सुधार नहीं होगा। सुधार का निवेश उन कारणों से जुड़ा होना चाहिए जिनका योगदान सबसे बड़ा है।
नॉन-डिस्पर्सिव इन्फ्रारेड (NDIR) मीथेन द्वारा अवरक्त प्रकाश के अवशोषण का उपयोग करता है। इसमें उत्प्रेरक दहन जैसी ऑक्सीजन-निर्भरता या उत्प्रेरक विषाक्तता नहीं होती, लेकिन यह ऑप्टिकल संदूषण तथा तापमान, दबाव और नमी के प्रभावों से मुक्त नहीं है। केवल सिद्धांत के आधार पर इसे खेतों में लंबे समय के अवलोकन के लिए उपयुक्त न मानें; उत्पाद के अनुसार जांचें कि अपेक्षित सांद्रता और अंदर-बाहर के सांद्रता अंतर की तुलना में उसकी पहचान सीमा, दोहराव क्षमता और ड्रिफ्ट पर्याप्त हैं या नहीं।
सेंसर की तुलना में मापन सीमा और विभेदन क्षमता, दूसरी गैसों के प्रति क्रॉस-सेंसिटिविटी, प्रतिक्रिया समय और ड्रिफ्ट को साथ में जांचें। तापमान, आर्द्रता और धूल जैसी पर्यावरणीय परिस्थितियों तथा अंशांकन की जरूरत की भी समीक्षा करें। यदि उद्देश्य सांद्रता के छोटे अंतर पहचानना है, तो देखें कि उपकरण की प्रदर्शित इकाई और अनिश्चितता उस उद्देश्य के अनुरूप हैं या नहीं; यह जांच उत्पाद और संचालन मोड के अनुसार करें। सेंसर सिद्धांत का नाम भर इन शर्तों का विकल्प नहीं है।
AI का उपयोग असामान्य संकेतों के संभावित मामलों की पहचान करने, तय परिस्थितियों में डेटा की छोटी कमी का अनुमान लगाने और कई चरों के बीच संबंध खोजने के लिए किया जा सकता है। यह डेटा व्यवस्थित करने, गुणवत्ता जांचने और रिपोर्ट का मसौदा तैयार करने में भी मदद कर सकता है। हर काम का उद्देश्य और विफलता की लागत अलग होती है, इसलिए सभी का मूल्यांकन एक ही प्रदर्शन संकेतक से न करें। बताएं कि परिणाम किन इनपुट और धारणाओं से तैयार हुआ है, और अनुमानित मान को सीधे मापे गए मान से अलग दिखाएं।
निवेश समीक्षा के लिए जरूरी आधार
निवेशकों को समझना चाहिए कि रिपोर्ट की गई सीमा सांख्यिकीय अनिश्चितता है, व्यवसाय परिदृश्य है या नियमों के अनुसार किया गया रूढ़िवादी समायोजन। अलग-अलग अवधारणाओं को एक ही छूट दर से संभालने पर उनका अर्थ धुंधला हो जाता है। दशमलव के बाद कई अंक दिखाने से इनपुट डेटा की गुणवत्ता बेहतर नहीं हो जाती।
AI मूल्यांकन के डेटा को उसके उपयोग के उद्देश्य के अनुसार अलग करें। भविष्य के संचालन का पूर्वानुमान करना हो, तो समय का क्रम ध्यान में रखें; दूसरी पशुशाला में लागू करना हो, तो पशुशाला के आधार पर डेटा अलग करने पर विचार करें। मॉडल चुनने में इस्तेमाल डेटा और अंतिम प्रदर्शन जांचने के लिए इस्तेमाल डेटा भी अलग रखें। किसी सरल आधार मॉडल से तुलना करें और केवल औसत त्रुटि ही नहीं, बल्कि अलग-अलग खेतों और मौसमों में पक्षपात तथा विफलता की स्थितियां भी जांचें; इससे वास्तविक उपयोग का दायरा समझाया जा सकता है।
विफलता होने पर क्या करना है, यह भी दर्ज करें। अंशांकन की वैध अवधि समाप्त होने, संचार डेटा न मिलने, या ऐसी चारा, मौसम अथवा वेंटिलेशन परिस्थितियों में जिनका मूल्यांकन नहीं किया गया है, नतीजे पर सीमा दिखाएं या उसका उपयोग रोककर जिम्मेदार व्यक्ति को सौंपें। दोबारा प्रशिक्षण देने के बाद मॉडल को तुरंत फिर से इस्तेमाल न करें। बदले हुए मॉडल को स्वतंत्र मूल्यांकन डेटा से जांचें और लागू करने का समय तथा स्वीकृति देने वाले व्यक्ति को दर्ज करें। मॉडल से निर्णय में सहायता लेना और उत्सर्जन कटौती का बाहरी सत्यापन कराना अलग-अलग काम हैं।
निर्णय के लिए बनाए रखने योग्य मानदंड
अनिश्चितता का प्रबंधन अधिक से अधिक आंकड़े इकट्ठा करने का काम नहीं है। यह उन इनपुट को पहचानने की प्रक्रिया है जिनसे निष्कर्ष सबसे अधिक प्रभावित होता है, और डेटा सुधारने के लाभ की तुलना उसकी लागत से करने की प्रक्रिया है। नतीजे की सीमा और उसके उपयोग की सीमाएं समझाई जा सकें, तभी समीक्षक का निर्णय भी ठोस हो सकता है।
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।