DUCT ทำงานอย่างไร? เลเยอร์ทั้งสามของเมืองในโลกเสมือน ตั้งแต่เซนเซอร์บนถนน ถึง AI ในคลาวด์
หากเปรียบเทียบ DUCT กับสิ่งที่คนทั่วไปคุ้นเคย ภาพที่ใกล้เคียงที่สุดอาจเป็นเกม SimCity ที่กราฟิกสมจริงระดับทุกแผ่นของฟุตบาท แล้วเติมสมองด้วย AI และข้อมูลจริงจากเซนเซอร์ทั่วเมือง แต่ที่จริง DUCT ไม่ใช่ของเล่นหรือวิดีโอเกม ภายใต้หน้าจอเรียบ ๆ ที่ผู้ใช้งานเห็น แต่ประกอบไปด้วยสถาปัตยกรรม 3 ชั้นที่ทำงานประสานกัน ตามต้นแบบที่พัฒนาโดยทีม Cooling Singapore 2.0
ชั้นที่ 1 Application Layer: หน้าจอที่ผู้ใช้งานเห็น
ในกรณีของ Cooling Singapore 2.0 ส่วนนี้ถูกเรียกว่า DUCT Explorer เป็นอินเทอร์เฟซที่นักวางผังเมือง นักวิจัย และเจ้าหน้าที่นโยบายใช้ในการตั้งคำถามแบบ what-if scenarios เช่น
• หากเพิ่มต้นไม้ 10,000 ต้นบริเวณคลองเตย อุณหภูมิในรัศมี 1 กิโลเมตรจะลดลงเท่าใด
• หากปรับเปลี่ยนวัสดุปูถนนในย่านสีลมจากแอสฟัลต์เป็นคอนกรีตสีอ่อน (cool pavement) ดัชนีความสบายในการเดินจะดีขึ้นแค่ไหน
• หากเปลี่ยนตึก 50 หลังในย่านธุรกิจให้มีหลังคาเขียว ผลจาก Heat Island Effect จะลดลงกี่องศา
ระบบจะส่งคำถามเหล่านี้ลงไปยังชั้นล่าง และรายงานผลกลับมาในรูปแผนที่ความร้อน กราฟ และตัวเลขเปรียบเทียบ ซึ่งสามารถใช้ประกอบการตัดสินใจของรัฐบาลและองค์กรปกครองท้องถิ่นได้โดยตรง
ชั้นที่ 2 Computation Layer: สมองจริงของระบบ
ชั้นนี้คือ "Features of Merit" หรือ FoMs เป็นชั้นที่รวมโมเดลทางวิทยาศาสตร์หลายสิบตัวที่ทำงานควบคู่กัน ที่สำคัญได้แก่
- โมเดลสภาพอากาศจุลภาค หรือ microclimate models เช่น PALM-4U และ ENVI-met คำนวณการไหลของอากาศ ความชื้น และการแลกเปลี่ยนพลังงานในระดับเมืองและถนน
- โมเดลความร้อนจากกิจกรรมมนุษย์ ครอบคลุมความร้อนที่ปล่อยจากเครื่องปรับอากาศ ยานพาหนะ และการผลิตอุตสาหกรรม
- โมเดลการใช้พลังงานในอาคาร ใช้แพลตฟอร์มอย่าง EnergyPlus และ CityBES คำนวณการใช้ไฟฟ้าและความร้อนที่ปล่อยออกจากอาคารแต่ละหลัง
- โมเดล AI/Machine Learning ใช้ทำนายรูปแบบความร้อนในอนาคตจากข้อมูลในอดีต และตรวจจับความผิดปกติ (anomaly detection) แบบเรียลไทม์
- ข้อมูลพื้นผิวดิน Land Surface Temperatur จากดาวเทียม Landsat ของ NASA และ Sentinel ของ ESA ใช้เป็น "ความจริงภาคพื้นดิน" สำหรับสอบเทียบโมเดล
จุดเด่นที่ทำให้ DUCT แตกต่างจาก digital twin ทั่วไปคือ ทุกโมเดลถูกผูกเข้าด้วยกัน เพื่อให้ผลลัพธ์ของโมเดลหนึ่งกลายเป็นข้อมูลนำเข้าของอีกโมเดล เช่น ความร้อนจากแอร์ที่คำนวณได้จะส่งต่อให้โมเดลอากาศจุลภาคเพื่อจำลองว่าอากาศร้อนจะกระจายไปในย่านอย่างไร
ชั้นที่ 3 Infrastructure Layer: คลาวด์และโครงสร้างพื้นฐาน
ชั้นล่างสุดนี้คือ Sim-as-a-Service หรือ Sim-aaS ระบบคลาวด์คอมพิวติ้งที่ใช้ประมวลผลการทำ simulation ขนาดใหญ่ เพราะการรันโมเดลภูมิอากาศเมืองทั้งเมืองในระดับความละเอียด 100 เมตร × 100 เมตร ต้องใช้กำลังการประมวลผลเทียบเท่าซูเปอร์คอมพิวเตอร์ระดับเล็ก
ปัจจุบันโครงการระดับโลกอย่าง NVIDIA Earth-2 ที่เปิดตัวเมื่อ 26 มกราคม 2026 ใช้ Generative AI ชื่อ CorrDiff สร้างภาพสภาพอากาศที่ละเอียดกว่าโมเดลตัวเลขเดิม 12.5 เท่า รันเร็วขึ้น 1,000 เท่า และประหยัดพลังงานมากขึ้นถึง 3,000 เท่า ขณะที่โครงการ Destination Earth ของสหภาพยุโรปจะเข้าสู่เฟส 3 ในเดือนมิถุนายน 2026 พร้อมเชื่อม Climate Change Adaptation Digital Twin กับ Weather-Induced Extremes Digital Twin เพื่อให้เมืองอย่างมิวนิก ซูริก และไฮเดลเบิร์ก ใช้สำหรับวางนโยบายระดับท้องถิ่น
จากเซ็นเซอร์บนถนนจริง สู่การตัดสินใจ
วงจรการทำงานของ DUCT สามารถสรุปได้เป็น 4 ขั้น
- Data Acquisition: เซ็นเซอร์อุณหภูมิ ความชื้น ทิศทางลม คุณภาพอากาศ ภาพถ่ายดาวเทียม และข้อมูลการใช้พลังงานป้อนเข้าระบบอย่างต่อเนื่อง
- Information Processing: AI และโมเดลฟิสิกส์ประมวลข้อมูลดิบให้กลายเป็นข้อมูลเชิงลึก เช่น แผนที่ความร้อนแบบไดนามิก
- Decision Support: ผลลัพธ์ถูกส่งให้ผู้กำหนดนโยบายและนักวางผังเมืองผ่าน DUCT Explorer
- Feedback Loop: มาตรการที่นำไปใช้จริงถูกวัดผลและป้อนกลับเข้าระบบเพื่อปรับโมเดลให้แม่นยำยิ่งขึ้น
นี่คือเหตุผลที่ทีม Cooling Singapore 2.0 ใช้เวลากว่า 5 ปีในการบูรณาการโมเดลทุกตัวเข้าด้วยกัน และเป็นเหตุผลที่ DUCT แตกต่างจากแผนที่ 3 มิติ หรือ digital twin ในแบบที่ใช้ในงานก่อสร้างทั่วไป ที่มักโฟกัสที่โครงสร้างของอาคารเดี่ยว ไม่ใช่ระบบนิเวศของเมืองทั้งเมือง
ความท้าทายและโอกาสของไทย
การพัฒนา DUCT ระดับกรุงเทพฯ ต้องอาศัยความร่วมมือข้ามภาคส่วน ทั้งสถาบันการศึกษา, GISTDA สำหรับข้อมูลดาวเทียม, กรมอุตุนิยมวิทยา, การเคหะแห่งชาติ และกรุงเทพมหานคร สิ่งที่จำเป็นคือกรอบการกำกับข้อมูลที่ชัดเจน เงินทุนระยะยาวสำหรับการบำรุงรักษาระบบ และการสร้างทีมที่มีทักษะข้ามสาขา
ในโพสต์ถัดไป CBiS จะพาผู้สนใจดูตัวอย่างการใช้ DUCT ทดสอบโครงการ "1 ล้านต้น" ของกรุงเทพมหานคร ก่อนการลงทุนจริง และคำถามสำคัญที่ตามมาคือ ปลูกอย่างไรให้ลดอุณหภูมิได้คุ้มที่สุด
#DUCT101 #DigitalUrbanClimateTwin #ClimateTwin #CBiS #SmartCity #ClimateTech #UrbanPlanning #AIClimate #Earth2 #DestinationEarth #NetZeroThailand #ChulaEngineering #DataScience #MicroclimateModel