洪水和热浪等自然灾害表明，人们对环境确实缺乏控制——尽管其中一些灾难实际上可能是人类决策和粗心大意的结果。
自然灾害愈加频发，严重程度也在加剧，这让人们更加关注对城市可持续性的迫切需求，数字孪生技术在应对这一挑战方面发挥着主导作用。
数字孪生的定义是物理过程的计算机模型或者物理实体的复本，它们本质上是真实而准确的虚拟模型。
数字孪生的优势
数字孪生有望成为城市可持续发展的重要工具，因为它们允许研究人员重建特定的城市环境，复制影响它的因素或者过程，例如智慧交通。
数字孪生还可以与环境中的传感器耦合，为严密监控提供实时数据。
然后，研究人员可以使用人工智能来了解这些过程以及它们如何影响环境，预测未来的条件和影响，从而做出具有可持续性的决策。
我们对数字孪生及其在城市可持续发展领域的潜力进行了批判性研究，研究表明，这些最近的技术发展已经证明其在公共和私有组织的财务和可持续性方面的效益。
我们证明，数字孪生可以监控物理资产的实时数据，并查看它们在不同的虚拟环境场景中的性能，从而使资源分配更加高效。
例如，通过测量和模拟新路网的雨水容量，可以结合利用历史和实时传感器数据，设计出对水敏感的城市以减少浪费和损失。
数字孪生实施障碍
尽管城市数字孪生（UDT）在解决技术、伦理和社会技术问题方面居于领先地位，但是其应用仍然存在一些障碍。那么，如何利用这项技术来支持城市可持续发展呢？
UDT 技术的成功取决于物理和数字环境之间及时的双向通信——这一点不能打折扣。
我们发现的第一个因素是很多决策者缺乏数字素养，这让他们对数字技术缺乏兴趣，数字技术对他们在研究和财政资源方面也就贡献甚少。
因此，我们在技术方面准备得越充分，就越有可能在组织或者日常活动中采用数字技术。
最后，需要有标准和共享数据模型，这样重要数据就不会停留在孤岛中。
澳大利亚测量与空间科学研究所（SSSI）澳大利亚标准协会、澳大利亚工程师协会和澳大利亚规划协会（PIA）等专业协会认为，标准化在开发跨利益相关方和司法管辖区的通用语言、流程和数据模型方面发挥着至关重要的作用。
澳大利亚新西兰空间信息委员会制定的《支持建筑和自然环境数字孪生的空间原则》强调了标准化在信息和数据管理、UDT互操作性、隐私和安全方面的作用。
信任人工智能
很多行业面临的一个问题是，由于存在问责制和透明度问题，算法决策可能会受到质疑和怀疑。
我们最近进行的一项研究表明，可解释人工智能（XAI）或者说能够解释其结果的人工智能在提高人工智能决策的透明度以及人们的信任度方面有重要作用。这项研究的成果发表在《自然·可持续性》（《Nature Sustainability》）期刊上。
XAI解决了“黑匣子”概念带来的问题——即使是AI开发人员也无法明确解释其得出特定结果或者做出特定决策的原因。
当前的数字化技术只衡量了城市实体的客观方面，关注的是城市的物理特征，例如建筑的高度、树冠、土地使用类型和密度、三维建筑、城市重建可视化以及建筑能源评估。
然而，数字孪生应该是城市是客观特征（物理和功能）和主观特征（社会建构和场所体验）的结合体。
尽管一些研究已经证明了衡量场所质量、设施公平使用和城市空间社交性方面的新能力，但是全系统模拟和实际应用仍然不足，这应该成为未来研究的重点，以防止使用不准确的模型制定出错误的决策和策略。
结合专业知识，打造数字城市
由于数字城市的应用是如此广泛，其背后的专业知识亦是如此。
让IT和工程专业人员同政策制定者、最终用户以及规划和建筑专家配合，我们就可以更好地利用数字技术的价值，应对未来的挑战，并将当前投资回报给社区。
澳大利亚各州政府已经开始利用数字孪生功能更好地为社区服务。新南威尔士州空间数字孪生为整个州提供了跨组织的协作数字工作流程。它在现实世界的动态和多维模型中聚合位置信息并将其可视化。
维多利亚州政府获得了3740万澳元，用于开发维多利亚数字孪生平台，通过这个单一的在线平台整合大量2D、3D和实时数据。
该项目受到了政府与墨尔本大学和其他利益相关方合作在渔人湾开展的数字孪生试点项目的推动。
我们知道，数字孪生应该不仅仅是一个复制品，它应该与物理过程或实体耦合到一个网络-物理-社会系统中。
这样的系统可能更像是一个大脑，而不是一个孪生品——它具有感知的神经，具有可以改变物理或者数字系统的机构，以及保持物理和数字系统平衡的调节机制。
我们已经开始提高技能，提高专业人士、经理和高管的意识，并教育未来的劳动力了解数字孪生技术。我们的新教育计划，如数字基础设施工程硕士和数字工程研究生证书（基础设施），应对了技术、道德和社会技术方面的挑战。
我们还与业界合作，确定澳大利亚和全球基础设施行业未来的数字工程需求，该行业正在蓬勃发展，并在逐步采用建筑信息模型（BIM）、物联网（IoT）和虚拟现实等数字工具。
利用对新兴技术的研究和开发以及这些教育计划，我们为未来的技能组合创造了一种新的能力，将数字数据与统计、机器学习和数据模拟结合在一起。
目标很简单——更好地与社区互动，并在可持续未来城市的设计中传达物理和社会过程、模式和预测。
