📊 statistics

Modeling nonstationary spatial processes with normalizing flows

यह शोध पत्र उच्च-आयामी डोमेन में गैर-स्थिर (nonstationary), अनिसोट्रोपिक (anisotropic) स्थानिक प्रक्रियाओं को मॉडल करने के लिए न्यूरल ऑटोरेग्रेसिव फ्लो का उपयोग करने वाले एक नवीन ढांचे को प्रस्तुत करता है, जो सिमुलेशन और 3D आर्गो फ्लोट्स (Argo Floats) डेटा के वास्तविक अनुप्रयोग के माध्यम से मौजूदा विधियों की तुलना में बेहतर प्रतिनिधित्व क्षमता प्रदर्शित करता है।

मूल लेखक: Pratik Nag, Andrew Zammit-Mangion, Ying Sun

प्रकाशित 2026-05-20

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Pratik Nag, Andrew Zammit-Mangion, Ying Sun

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप समुद्र के तापमान का एक मानचित्र (map) बनाने की कोशिश कर रहे हैं। कुछ स्थानों पर, पानी का तापमान कम दूरी में बहुत तेज़ी से बदलता है (जैसे एक खड़ी ढलान)। वहीं कुछ स्थानों पर, तापमान बहुत धीरे और सुचारू रूप से बदलता है (जैसे एक मंद पहाड़ी)।

पारंपरिक मैपिंग उपकरण यह मान लेते हैं कि दुनिया एकसमान है—कि एक "पहाड़ी" हर जगह एक जैसी ही दिखती है। यह सरल मानचित्रों के लिए ठीक काम करता है, लेकिन जब ज़मीन ऊबड़-खाबड़ हो और अनिश्चित रूप से आकार बदले, तो यह बुरी तरह विफल हो जाता है। वैज्ञानिक इसे नॉनस्टेशनरी (nonstationary) प्रक्रिया कहते हैं: यानी खेल के नियम इस बात पर निर्भर करते हैं कि आप कहाँ हैं।

यह शोध पत्र इन बिखरे हुए, बदलते परिदृश्यों को मैप करने का एक नया और स्मार्ट तरीका पेश करता है, जिसे न्यूरल ऑटोरिग्रेसिव फ्लो (Neural Autoregressive Flows - NAFs) नामक टूल के माध्यम से समझा जा सकता है। यह कैसे काम करता है, यहाँ सरल अवधारणाओं में दिया गया है:

1. समस्या: वह "रबर शीट" जो सही से खिंच नहीं पाती

वैज्ञानिकों ने लंबे समय से इस समस्या को हल करने के लिए मानचित्र को एक रबर शीट के रूप में कल्पना करने की कोशिश की है।

पुराना विचार: आप एक सपाट मानचित्र लेते हैं और रबर शीट को तब तक खींचते या सिकोड़ते हैं जब तक कि बिखरे हुए, बदलते पैटर्न एक सुंदर, चिकनी और एकसमान पहाड़ी की तरह न दिखने लगें। एक बार जब यह चिकना दिखने लगता है, तो आप खाली जगहों में क्या हो रहा है, इसका अनुमान लगाने के लिए मानक गणित का उपयोग कर सकते हैं।
चुनौती: ऐसा करने के लिए, आपको मैन्युअल रूप से यह तय करना होगा कि शीट को कैसे खींचना है। आप "यहाँ खींचें" वाला टूल या "वहाँ सिकोड़ें" वाला टूल इस्तेमाल कर सकते हैं। समस्या यह है कि आपको अंदाज़ा लगाना पड़ता है कि कौन से टूल्स का उपयोग करना है। यदि आप गलत टूल्स चुनते हैं, तो आपका मानचित्र अभी भी गलत होगा। साथ ही, ये मैन्युअल टूल्स आमतौर पर केवल सपाट, 2D मानचित्रों (जैसे कागज़ का टुकड़ा) के लिए काम करते हैं, 3D वस्तुओं (जैसे समुद्र, जिसकी गहराई होती है) के लिए नहीं।

2. समाधान: "स्वयं-समायोजित" रबर शीट

लेखक न्यूरल ऑटोरिग्रेसिव फ्लो (NAFs) का उपयोग करके एक नया तरीका प्रस्तावित करते हैं। इसे हाथ से खींची जाने वाली रबर शीट के रूप में नहीं, बल्कि एक स्मार्ट, स्वयं-समायोजित (self-adjusting) रबर शीट के रूप में देखें, जो एक कंप्यूटर मस्तिष्क (न्यूरल नेटवर्क) द्वारा संचालित है।

मैन्युअल टूल्स की आवश्यकता नहीं: इसके बजाय कि आप "खींचने" या "सिकोड़ने" के टूल्स खुद चुनें, कंप्यूटर मस्तिष्क खुद सीखता है कि स्थान को कैसे मोड़ना है। यह अपने आप नक्शे को खींचने का सही तरीका ढूंढ लेता है ताकि बिखरे हुए पैटर्न चिकने हो जाएं, बिना आपके बताए।
"एक-से-एक" (One-to-One) नियम: इस शीट के लिए एक महत्वपूर्ण नियम यह है कि इसे कभी भी खुद पर मुड़ना (जैसे कागज़ को मरोड़ना) नहीं चाहिए। यदि यह मुड़ जाती है, तो मानचित्र के दो अलग-अलग स्थान एक ही स्थान पर आ जाएंगे, जिससे गणित बिगड़ जाएगा। NAF तकनीक यह सुनिश्चित करने के लिए बनाई गई है कि ऐसा कभी न हो; यह हमेशा सुचारू रूप से खींचती या सिकोड़ती है, जिससे हर बिंदु अद्वितीय बना रहता है।
3D क्षमता: पुराने मैन्युअल टूल्स के विपरीत जो केवल 2D मानचित्रों तक सीमित थे, यह स्मार्ट शीट 3D में भी पूरी तरह काम करती है। समुद्र के लिए यह अत्यंत महत्वपूर्ण है, जहाँ तापमान न केवल पूर्व-पश्चिम और उत्तर-दक्षिण, बल्कि गहराई (ऊपर-नीचे) में भी बदलता है।

3. उन्होंने इसका परीक्षण कैसे किया

शोधकर्ताओं ने अपने नए तरीके को दो तरीकों से परखा:

सिमुलेशन टेस्ट (Simulation Test): उन्होंने जटिल, घुमावदार पैटर्न वाले नकली 3D संसार बनाए। उन्होंने इन संसारों को निम्नलिखित तरीकों से मैप करने की कोशिश की:
1. पुराने ढंग के चिकने मानचित्र (जो विफल रहे)।
2. मैन्युअल स्ट्रेचिंग टूल्स वाले मानचित्र (जो ठीक थे लेकिन सीमित थे)।
3. उनका नया "स्मार्ट शीट" (NAF)।
  परिणाम: स्मार्ट शीट छिपे हुए पैटर्न का अनुमान लगाने में सबसे बेहतर थी और इसने सही मात्रा में "अनिश्चितता" (इसे पता था कि यह कब अनुमान लगा रहा है और कब निश्चित है) के साथ सबसे सटीक भविष्यवाणियां दीं।
वास्तविक दुनिया का परीक्षण (Real-World Test): उन्होंने इसे आर्गो फ्लोट्स (Argo Floats) के वास्तविक डेटा पर लागू किया। ये हजारों स्वायत्त रोबोट हैं जो समुद्र में तैरते रहते हैं और विभिन्न गहराइयों पर तापमान मापते हैं।
- उन्होंने अटलांटिक महासागर के एक हिस्से पर ध्यान केंद्रित किया।
- यहाँ का समुद्र बिखरा हुआ है: धाराएं कुछ स्थानों पर तापमान को तेज़ी से बदलती हैं और कुछ स्थानों पर धीरे।
  परिणाम: नए मॉडल ने सफलतापूर्वक 3D में समुद्र के तापमान को मैप किया। इसने यह भी सीखा कि तेज़ समुद्री धाराओं वाले क्षेत्रों में तापमान तेज़ी से बदलता है (इसलिए "रबर शीट" बहुत अधिक खिंची), और शांत क्षेत्रों में, यह धीरे बदला (शीट सपाट रही)।

4. यह क्यों महत्वपूर्ण है

यह शोध पत्र दावा करता है कि यह विधि एक बड़ा अपग्रेड है क्योंकि:

यह लचीली है: इसे सही स्ट्रेचिंग टूल्स का अनुमान लगाने के लिए किसी इंसान की ज़रूरत नहीं है; यह उन्हें स्वचालित रूप से सीख लेती है।
यह जटिलता को संभालती है: यह 3D डेटा (जैसे समुद्र) के लिए काम करती है जहाँ पिछले तरीके संघर्ष कर रहे थे।
यह सटीक है: अपने परीक्षणों में, इसने वर्तमान मानक तरीकों की तुलना में अधिक सटीक रूप से मूल्यों की भविष्यवाणी की और अनिश्चितता का बेहतर अनुमान लगाया।

संक्षेप में, लेखकों ने एक "स्मार्ट रबर शीट" बनाई है जो खुद को दुनिया के बिखरे हुए, बदलते यथार्थ के अनुरूप ढालने के लिए स्वचालित रूप से नया आकार लेती है, जिससे हमें पहले की तुलना में बहुत अधिक सटीकता के साथ समुद्र के तापमान जैसे जटिल 3D परिघटनाओं को मैप करने की अनुमति मिलती है।

तकनीकी सारांश: नॉर्मलाइजिंग फ्लो के साथ नॉनस्टेशनरी स्थानिक प्रक्रियाओं का मॉडलिंग

समस्या विवरण
नॉनस्टेशनरी स्थानिक प्रक्रियाएं (Nonstationary spatial processes), जो उन सांख्यिकीय गुणों द्वारा लक्षित होती हैं जो स्थान के अनुसार बदलते रहते हैं, पर्यावरण विज्ञान, भू-सांख्यिकी (geostatistics) और रिमोट सेंसिंग जैसे क्षेत्रों में प्रचलित हैं। पारंपरिक मॉडलिंग दृष्टिकोण अक्सर स्थिर गाऊसी प्रक्रियाओं (Gaussian processes - GPs) पर निर्भर करते हैं जिनका कोवेरिएंस फंक्शन (covariance function) निश्चित होता है, जो वास्तविक दुनिया के डेटासेट में पाई जाने वाली जटिल स्थानिक निर्भरताओं को पकड़ने में विफल रहते हैं, जिससे पक्षपाती निष्कर्ष (biased inference) और गलत भविष्यवाणियां हो सकती हैं। हालांकि गैर-स्थिरता (nonstationarity) को मॉडल करने के लिए मौजूदा विधियों में स्थानिक रूप से परिवर्तनशील पैरामीटर, नॉनस्टेशनरी माटर्न (Matérn) कोवेरिएंस फंक्शन, या स्टोकेस्टिक पार्शियल डिफरेंशियल इक्वेशन्स शामिल हैं, लेकिन उन्हें अक्सर प्रतिबंधात्मक मॉडलिंग धारणाओं या विशिष्ट समस्याओं के लिए विशेष निर्माण की आवश्यकता होती है।

एक प्रमुख विकल्प डोमेन वार्पिंग (domain warping) दृष्टिकोण है, जिसे मूल रूप से सैम्पसन और गुट्टोर्प (1992) द्वारा प्रस्तावित किया गया था, जो एक डोमेन $D$ पर एक नॉनस्टेशनरी प्रक्रिया को एक वार्प्ड डोमेन $D_1$ पर एक इंजेक्टिव मैपिंग (injective mapping) $f: D \to D_1$ के माध्यम से एक स्टेशनरी प्रक्रिया में परिवर्तित करता है। हालांकि, एक उपयुक्त वार्पिंग फंक्शन का चयन करना कठिन है। ज़ैमिट-मैंगियन एट अल. (2022) द्वारा प्रस्तावित डीप कंपोजिशनल स्पेशियल मॉडल जैसे पिछले डीप लर्निंग-आधारित दृष्टिकोण, उपयोगकर्ता द्वारा चयनित वार्पिंग यूनिट्स (जैसे रेडियल बेसिस फंक्शन्स, मोबियस ट्रांसफॉर्मेशन) पर निर्भर करते हैं। ये विधियाँ उपलब्ध यूनिट्स के सीमित सेट द्वारा बाधित हैं और वर्तमान में एक-आयामी और दो-आयामी स्थानिक डोमेन तक ही सीमित हैं, जो उच्च-आयामी डेटा के अनुप्रयोग में बाधा डालती हैं।

कार्यप्रणाली (Methodology)
लेखक एक नया ढांचा, GPNAF, प्रस्तावित करते हैं, जो न्यूरल ऑटोरेग्रेसिव फ्लो (Neural Autoregressive Flows - NAFs) का उपयोग करके नॉनस्टेशनरी स्थानिक प्रक्रियाओं को मॉडल करता है। मुख्य विचार एक जटिल, उच्च-आयामी रूपांतरण उत्पन्न करने में सक्षम व्युत्क्रमणीय न्यूरल नेटवर्क (invertible neural networks) की श्रेणी का उपयोग करके इंजेक्टिव वार्पिंग फंक्शन $f(\cdot)$ (जिसे पेपर में $T(\cdot)$ के रूप में दर्शाया गया है) को सीखना है।

न्यूरल ऑटोरेग्रेसिव फ्लो (NAFs): यह ढांचा NAFs, विशेष रूप से डीप डेंस सिग्मोइडल फ्लो (Deep Dense Sigmoidal Flow - DDSF) आर्किटेक्चर का उपयोग करता है। एक NAF को त्रिकोणीय मानचित्रों (triangular maps) $T(s; \vartheta)$ के एक अनुक्रम के रूप में बनाया जाता है, जहाँ प्रत्येक आउटपुट घटक इनपुट के पूर्ववर्ती घटकों पर ही निर्भर करता है। यह ऑटोरेग्रेसिव संरचना सुनिश्चित करती है कि मानचित्र व्युत्क्रमणीय (invertible) और इंजेक्टिव है, जिससे स्पेस-फोल्डिंग (space-folding) की समस्या नहीं होती।
आर्किटेक्चर: वार्पिंग फंक्शन को एक न्यूरल नेटवर्क द्वारा पैरामीटराइज किया जाता है जहाँ प्रत्येक चरण पर रूपांतरण पैरामीटर एक "कंडीशनर" (conditioner) नेटवर्क के आउटपुट होते हैं। यह सुनिश्चित करने के लिए कि ऑटोरेग्रेसिव गुण (जहाँ $k$ -वाँ आउटपुट केवल $s_1, \dots, s_{k-1}$ इनपुट पर निर्भर करता है) बना रहे, लेखक बाइनरी मास्किंग तकनीकों (जर्मेन एट अल., 2015) का उपयोग करते हैं।
मॉडल फॉर्मूलेशन: लेटेंट प्रोसेस (latent process) $Y(\cdot)$ को एक वार्प्ड डोमेन $\tilde{D}$ पर शून्य-माध्य (zero-mean) गाऊसी प्रक्रिया के रूप में मॉडल किया जाता है जिसका कोवेरिएंस फंक्शन $\tilde{C}_\phi$ स्टेशनरी और आइसोट्रोपिक (isotropic) है। प्रेक्षित डेटा $Z$ , $Y$ के शोर युक्त माप (noisy measurements) हैं।
अनुमान (Estimation): मॉडल के पैरामीटर्स (वार्पिंग पैरामीटर्स $\vartheta$ और स्टेशनरी कोवेरिएंस पैरामीटर्स $\phi$ ) को लॉग-लाइक्लीहुड को मैक्सिमाइज करने के लिए दो-चरणीय ब्लॉक-कोऑर्डिनेट एसेंट (block-coordinate ascent) प्रक्रिया के माध्यम से अनुमानित किया जाता है। इसमें वार्पिंग फंक्शन और स्टेशनरी कोवेरिएंस पैरामीटर्स को ऑप्टिमाइज करने के बीच बारी-बारी से कार्य करना शामिल है। स्थानिक भविष्यवाणी (spatial prediction) को वार्प्ड डोमेन पर सरल क्रिगिंग (kriging) का उपयोग करके किया जाता है।

प्रमुख योगदान

उच्च-आयामी लचीलापन: 1D और 2D तक सीमित पिछले डीप वार्पिंग मॉडल्स के विपरीत, प्रस्तावित NAF-आधारित ढांचा बुनियादी आर्किटेक्चर में न्यूनतम बदलाव के साथ उच्च-आयामी स्थानिक डोमेन (जैसे 3D) के लिए भी लागू किया जा सकता है।
स्वचालित वार्पिंग यूनिट चयन: यह ढांचा उपयोगकर्ताओं को विशिष्ट वार्पिंग यूनिट्स (जैसे रेडियल बेसिस फंक्शन्स या मोबियस ट्रांसफॉर्मेशन) को मैन्युअल रूप से चुनने की आवश्यकता को समाप्त करता है। न्यूरल नेटवर्क सीधे डेटा से उपयुक्त विरूपण (deformation) सीखता है।
व्युत्क्रमणीयता और इंजेक्टिविटी (Invertibility and Injectivity): NAFs के सैद्धांतिक गुणों का लाभ उठाकर, यह विधि एक इंजेक्टिव मैपिंग की गारंटी देती है, जिससे यह सुनिश्चित होता है कि वार्पिंग फंक्शन स्पेस को स्वयं पर फोल्ड नहीं करता है, जो वैध स्थानिक अनुमान के लिए महत्वपूर्ण है।
प्रतिनिधित्व क्षमता (Representational Capacity): लेखक प्रदर्शित करते हैं कि NAFs में अन्य सामान्यतः उपयोग किए जाने वाले स्थानिक प्रक्रिया मॉडलों की तुलना में अधिक प्रतिनिधित्व क्षमता है, जो जटिल अनिसोट्रोपिक (anisotropic) और नॉनस्टेशनरी संरचनाओं को पकड़ने में सक्षम है।

परिणाम
पेपर सिमुलेशन अध्ययनों और एक वास्तविक अनुप्रयोग के माध्यम से GPNAF ढांचे को मान्य करता है:

सिमुलेशन अध्ययन:
- प्रयोग 1 (SIWGP): डेटा एक ज्ञात स्थानिक इनपुट वार्प्ड गाऊसीय प्रक्रिया से उत्पन्न किया गया था। GPNAF ने वास्तविक मॉडल (GPdeepspat) के करीब MSPE मान प्राप्त किए और अच्छी तरह से कैलिब्रेटेड प्रेडिक्शन इंटरवल्स प्रदान किए, जो स्टेशनरी GPs, नॉनस्टेशनरी माटर्न GPs और DeepKriging से बेहतर थे।
- प्रयोग 2 (स्पाइरल वार्पिंग): डेटा एक जटिल स्पाइरल वार्पिंग फंक्शन का उपयोग करके उत्पन्न किया गया था। GPNAF ने MSPE में सभी प्रतिस्पर्धी विधियों को काफी पीछे छोड़ दिया और सबसे सटीक प्रेडिक्शन इंटरवल्स प्रदान किए, जो बिना किसी पूर्व भौतिक ज्ञान के जटिल स्थानिक विरूपण को पकड़ने की इसकी क्षमता को दर्शाता है।
- विज़ुअलाइज़ेशन: GPNAF के लिए स्टैंडर्ड एरर प्लॉट्स ने दिखाया कि अनिश्चितता (uncertainty) प्रेक्षण स्थानों के बजाय स्थानिक रूप से परिवर्तनशील प्रक्रिया गुणों द्वारा नियंत्रित थी, जो स्टेशनरी मॉडल्स के विपरीत है जहाँ अनिश्चितता पैटर्न प्रेक्षण घनत्व (observation density) को दर्शाते हैं।
वास्तविक अनुप्रयोग (Argo Floats):
- इस ढांचे को अटलांटिक महासागर में Argo Floats डेटासेट (महासागरीय तापमान और लवणता) के एक 3D उपसमुच्चय पर लागू किया गया।
- GPNAF की तुलना स्टेशनरी और नॉनस्टेशनरी माटर्न मॉडल्स और DeepKriging से की गई। GPNAF ने सबसे कम MSPE (0.17) और सबसे सटीक प्रेडिक्शन इंटरवल्स प्राप्त किए, जबकि 95% प्रेडिक्शन इंटरवल कवरेज प्रोबेबिलिटी (PICP) को नाममात्र स्तर के करीब बनाए रखा।
- सीखे गए वार्पिंग फंक्शन ने महासागरीय सतह की धाराओं (ocean surface currents) के अनुरूप स्थानिक विरूपण को प्रकट किया: मजबूत धाराओं (तेजी से तापमान परिवर्तन) वाले क्षेत्रों को वार्प्ड डोमेन में खींचा गया था, जबकि कमजोर धाराओं वाले क्षेत्रों को संकुचित किया गया था। इसने प्रभावी रूप से परिवर्तनशील निर्भरता संरचनाओं को होमोजेनाइज (homogenize) कर दिया, जिससे रूपांतरित स्थान में एक स्टेशनरी मॉडल का उपयोग करना संभव हो सका।

महत्व और दावे
पेपर दावा करता है कि GPNAF जटिल, नॉनस्टेशनरी और अनिसोट्रोपिक स्थानिक प्रक्रियाओं को मॉडल करने के लिए एक लचीला, डेटा-संचालित दृष्टिकोण प्रदान करता है। नॉर्मलाइजिंग फ्लो का उपयोग करके, यह विधि आयामीता और वार्पिंग यूनिट्स की मैन्युअल विशिष्टता के संबंध में पिछले वार्पिंग मॉडल्स की सीमाओं को दूर करती है। लेखक का तर्क है कि यह ढांचा भू-विज्ञान और पर्यावरण विज्ञान में उच्च-आयामी अनुप्रयोगों के लिए विशेष रूप से मूल्यवान है जहाँ स्थानिक परिवर्तनशीलता जटिल होती है और जिसे पूर्व-निर्धारित (a priori) रूप से पैरामीटराइज करना कठिन होता है। 3D महासागरीय डेटा के सफल अनुप्रयोग ने विषम थर्मल विविधताओं वाले वास्तविक दुनिया के परिदृश्यों में इस ढांचे की उपयोगिता को रेखांकित किया है। लेखक उल्लेख करते हैं कि हालांकि वर्तमान दृष्टिकोण पूरी तरह से डेटा-संचालित है, भविष्य के कार्य में भौतिक-निर्देशित बाधाओं (physics-guided constraints) को शामिल किया जा सकता है या ढांचे को स्पैटियो-टेम्पोरल (स्थानिक-कालिक) सेटिंग में विस्तारित किया जा सकता है।

1. समस्या: वह "रबर शीट" जो सही से खिंच नहीं पाती

2. समाधान: "स्वयं-समायोजित" रबर शीट

3. उन्होंने इसका परीक्षण कैसे किया

4. यह क्यों महत्वपूर्ण है

इसी तरह के और पेपर