เมื่อ AI เซนเซอร์ ดาวเทียม และข้อมูล ต้องสามารถเปลี่ยนการพยากรณ์ให้เป็นการลงมือทำ น้ำท่วมเมืองวันนี้ไม่ได้เกิดขึ้นในโลกที่ขาดเทคโนโลยี
เรามีเรดาร์ เครื่องวัดระดับน้ำ ภาพถ่ายดาวเทียม กล้องตรวจการณ์ ข้อมูลการจราจร แผนที่ภูมิประเทศ ข้อมูลคลองและระบบระบายน้ำ รวมถึงข้อมูลย้อนหลังมหาศาล
แต่.. ผลกระทบเกิดขึ้นอย่างรวดเร็ว ถนนบางสายรถผ่านไม่ได้ ห้างและที่ทำงานบางแห่งต้องปิด คนป่วยเข้าถึงโรงพยาบาลไม่ได้ การขนส่งสะดุด เที่ยวบินและกระเป๋าดีเลย์ สินค้าจำเป็นถูกซื้อตุนจนเกลี้ยงชั้น
ปัญหาจึงไม่ได้อยู่ที่ข้อมูล แต่อยู่ที่ข้อมูลเหล่านั้นถูกเชื่อม แปลผล และส่งถึงคนที่ต้องตัดสินใจเร็วพอหรือไม่ นี่คือ Decision Gap
ระบบหนึ่งรู้ว่าฝนตกหนักตรงไหน อีกระบบรู้ระดับน้ำ อีกระบบเห็นการจราจร ขณะที่อีกระบบมีข้อมูลโรงพยาบาล โรงเรียน คลังสินค้า หรือพื้นที่เศรษฐกิจ ข้อมูลแต่ละชุดถูกต้อง แต่เหตุการณ์จริงไม่ได้เกิดแยกเป็นระบบ
ถนนเส้นหนึ่งที่ผ่านไม่ได้ อาจทำให้รถส่งสินค้าต้องเปลี่ยนเส้นทาง บุคลากรโรงพยาบาลหรือโรงงานเดินทางเข้าเวรไม่ได้ ร้านค้าบางสาขาเติมสินค้าไม่ทัน
ขณะที่ความไม่แน่นอนทำให้ผู้บริโภคเร่งซื้อของจำเป็นพร้อมกัน น้ำอาจไม่ได้ท่วมทุกพื้นที่ แต่ผลกระทบทางเศรษฐกิจเกิดขึ้นแล้ว
ตัวอย่างระบบกลางที่น่าสนใจคือสิงคโปร์ ซึ่งพัฒนา Catchment and Waterways Operations System หรือ CWOS เพื่อบริหารสถานการณ์น้ำแบบบูรณาการ
CWOS ไม่ได้ดูเฉพาะระดับน้ำ แต่รวมข้อมูลจากเครื่องวัดระดับน้ำมากกว่า 1,000 จุด กล้องตรวจการณ์กว่า 500 ตัว เครื่องวัดฝน เรดาร์อากาศ และตำแหน่งรถตอบสนองเหตุฉุกเฉิน ไว้บนหน้าจอเดียว
ศูนย์ปฏิบัติการเฝ้าติดตามตลอด 24 ชั่วโมง ขณะที่เรดาร์ X-band คาดการณ์รูปแบบฝนล่วงหน้าราว 30 นาที และป้อนข้อมูลเข้า CWOS เพื่อประเมินจุดเสี่ยงน้ำท่วมล่วงหน้า
จุดสำคัญไม่ได้อยู่ที่สิงคโปร์มีเซนเซอร์มากกว่าใคร แต่อยู่ที่ข้อมูลถูกออกแบบให้ไปถึงการตัดสินใจ
เมื่อระบบเห็นจุดเสี่ยง ทีมรับมือจะถูกส่งไปยังพื้นที่นั้นก่อน รถภาคสนามมี GPS และกล้องที่ส่งภาพกลับศูนย์ควบคุม ทำให้ข้อมูลจากพื้นที่จริงกลับเข้าสู่ระบบอีกครั้ง
นี่คือวงจรที่น่าสนใจ ข้อมูล → คาดการณ์ → ตัดสินใจ → ลงมือ → ส่งข้อมูลกลับ
ระบบจึงไม่ใช่เพียง Dashboard ดูสถานการณ์ แต่เป็นโครงสร้างพื้นฐานสำหรับการตัดสินใจ
แนวคิดเดียวกันกำลังเกิดขึ้นกับเทคโนโลยีด้านน้ำในหลายประเทศ AI นำข้อมูลฝน ระดับน้ำ ความชื้นในดิน และข้อมูลย้อนหลังมาวิเคราะห์ร่วมกัน เพื่อคาดการณ์ความเสี่ยง
Digital Twin หรือแบบจำลองเสมือนของเมืองช่วยจำลองได้ว่า หากฝนตกต่ออีก 30 นาที น้ำจะไปทางไหน ถนนใดอาจได้รับผลกระทบก่อน และควรจัดทรัพยากรไปตรงไหน
ภาพถ่ายดาวเทียมช่วยเติมข้อมูลในพื้นที่กว้าง โดยเฉพาะจุดที่เครื่องวัดภาคพื้นดินไม่เพียงพอ เมื่อข้อมูลจากดาวเทียม เรดาร์ เซนเซอร์ การจราจร และแบบจำลองเมืองถูกนำมารวมกัน
สิ่งที่ได้จึงไม่ใช่เพียงข้อมูลที่ละเอียดขึ้น แต่คือภาพผลกระทบที่กำลังจะเกิด ตรงนี้มีความหมายกับธุรกิจโดยตรง
ร้านค้าปลีกเชื่อมข้อมูลอากาศกับยอดขายและสินค้าคงคลัง เพื่อคาดการณ์ว่าสาขาใดเสี่ยงของขาด บริษัทขนส่งปรับเส้นทางได้ก่อนถนนปิด โรงงานเห็นว่าผู้ส่งวัตถุดิบรายใดอยู่ในพื้นที่เสี่ยง ขณะที่โรงพยาบาลดูพื้นที่เสี่ยงร่วมกับเส้นทางของบุคลากรสำคัญ และจัดกำลังสำรองล่วงหน้า
ข้อมูลสภาพอากาศจึงกำลังเปลี่ยนจากข้อมูลของฝ่ายอาคารหรือความปลอดภัย ไปเป็นข้อมูลธุรกิจ ไม่ต่างจากยอดขาย สต็อก หรือห่วงโซ่อุปทาน
อนาคตของการบริหาร Urban Flood อาจไม่ได้อยู่ที่การเพิ่ม Dashboard หรือเซนเซอร์อีกหนึ่งพันตัว แต่อยู่ที่การทำให้ข้อมูลที่มีอยู่คุยกันได้ และไปถึงคนที่ต้องตัดสินใจได้ทันเวลา ตอนนี้เกิดอะไรขึ้น อีกหนึ่งชั่วโมงจะเกิดอะไร อะไรจะได้รับผลกระทบ และใครต้องทำอะไรต่อ
เทคโนโลยีไม่ได้ทำให้ฝนหยุดตก แต่ช่วยซื้อสิ่งสำคัญที่สุดในช่วงวิกฤติได้ นั่นคือเวลาและการเตรียมการ ข้อมูลจึงไม่ได้มีค่าเพียงเพราะเรามีมากขึ้น
ข้อมูลดี ต้องขยับให้ทันด้วย ข้อมูลนั้นจึงจะมีประโยชน์จริง
