気候変動により、資源としての淡水を保全する重要性が浮き彫りになっている。
都市で水を保全するには、インフラを効果的に管理することが不可欠だ。
機械学習を活用したリアルタイムセンサーネットワークは、水漏れをより効果的に予測し、問題を特定して対処できる。
水はおそらく、地球上で最も比類のない天然資源だ。最大の天然資源である水は地球表面の約71%を覆う一方、淡水のうち飲用可能なのはわずか1.2%にすぎない。そのため、飲用水は一部の希少金属と同じほど希少で貴重だ。
河川や小川から得られる淡水は、商業、家庭、緊急時、産業など、さまざまな用途に利用できる。この汎用性に加え、気候変動によって希少性が高まるなか、都市人口が増加する国や都市では、淡水が争点となっている。安定した給水、優れた都市ガバナンス、都市のレジリエンスを確保するには、都市に強固な水インフラが不可欠だ。
優れた水道配水網が鍵となる
都市の水インフラを構成する重要な要素が、水道配水網だ。効率的な配水網は、損失を最小限に、あるいは損失なしで、飲用水の需要を満たす能力を備えている。配水網で損失が生じ、特に都市で需要と供給のギャップが生じる主な原因の一つが水漏れだ。
水漏れは、送水、浄水、配水、貯水のいずれの段階でも起こりうる。都市ではさまざまな方法で水漏れ問題に対処してきた。特に、無収水（輸送中に失われる水）の量を減らすことで、都市の社会経済、環境、健康、安全の各面でより良い成果につながるためだ。
都市は一般に、水管理システムを通じて水漏れの発生源を特定し、漏水量を把握することに重点を置く。概して、こうしたシステムは、失われた水量の定量化、漏水が集中する箇所の検出、現在および将来の漏水水準の効果的な管理に焦点を当てている。
こうした対策にもかかわらず、世界銀行によると、発展途上国では毎日約4,500万立方メートルの水が失われている。汲み上げられながら失われたり、行方が把握されなかったりするこの水は、年間最大30億米ドルの損失になりうる。こうした損失の半分でも削減できれば、少なくとも9,000万人に十分な水を供給できる。これは大きな量であり、特にインドのような国にとって重要だ。インドでは、NITI Aayogの報告書によると、2030年までに給水需要が2倍に急増すると予想されている。
水漏れ管理の改善が急務
主に3つの理由から、従来の、そして現在行われている水漏れ管理の方法を見直す必要がある。
第一に、現在の方法は予測型ではなく、事後対応型が中心だ。現在の水道配水網における予測的な取り組みは予防保全だが、事前に予定を組み、手作業で行うため、時間がかかる。大規模な水漏れへの対処策を実施する場合でさえ、給水システムの広範囲を停止することが多く、特にすでに安定した給水を受けられない市民の日常生活に悪影響を及ぼす。
第二に、都市で起こる水漏れの規模には幅があるものの、是正措置の大半は大規模な水漏れを対象とし、小規模な漏れは長期間放置されることが多い。その結果、小さくても未対処の漏れが、量と収入の両面で大きな水損失を招く。自治体は5年間で10万ドルから100万ドルの収入を失う可能性がある。
第三に、深刻なケースでは、主要な水道管の漏れが高電圧ケーブルの短絡を引き起こし、多数の人々に致命的な危険をもたらすこともある。こうした限界を踏まえ、事後対応と予測の両方を行える、より効率的で効果的な水管理システムが必要だ。
考えられる解決策――機械学習を活用したリアルタイムセンサーネットワーク
都市の水漏れを抑制・管理する方法として広く認識されているのが、機械学習（ML）を活用したリアルタイムセンサーネットワークの運用だ。リアルタイムセンサーネットワークは主に、センサー、ネットワーク監視、クラウドストレージ、支援アプリケーションなどの要素で構成される。
水の流れをリアルタイムで監視するこのセンサーネットワークを機械学習モデルと連携させれば、異常（水漏れ）を予測し、配水網内でそれを正確に検知できる。このシステムは都市に複数のメリットをもたらす。
第一に、都市は水漏れの規模と複雑さをより正確に予測できるようになる。水道配水システムが老朽化し、水漏れが起こりやすい都市にとって、これは有益だ。規模と複雑さを正確に予測することで、水漏れ箇所を適切かつ迅速に特定できる。その結果、水損失が減り、都市の収入が増える。
第二に、漏水箇所を正確かつ迅速に特定すれば、問題解決の速度と効果が高まる。漏水箇所を探すために配水網の区間全体が停止されることも多いため、水漏れの解消にかかる時間を短縮することが重要だ。さらに、地下の水道管の漏れを見つけるための道路の掘削や復旧などに伴う二次的な費用も削減できる。
第三に、水漏れへの対処効率が高まることで、給水システムの停止時間が短縮され、給水の信頼性と水質が向上する。これは、夏季やピーク時に深刻な水不足に直面し、経済活動で水に大きく依存する都市にとって、特に優先度が高い。
最後に、リアルタイムセンサーネットワークと機械学習を組み合わせたこのシステムは、比較的低コストで導入も容易だ。また、地方自治体、都市政府、市民が給水制限の状況を予測し、節水対策を講じるのにも役立つ。こうしたシステムの導入は、目指すべき都市の変革に貢献しうる。
機械学習を活用したリアルタイムセンサーネットワークの導入は、社会経済、環境、健康、安全の各面に明らかなメリットをもたらす。それに加えて、急速な都市化、水道料金の上昇、水源の枯渇が進むなか、都市の水ストレスの深刻化を回避するには、機械学習などの先進技術を迅速に導入することが急務だ。
