A Gradient Boosted Mixed-Model Machine Learning Framework for Vessel Speed in the U.S. Arctic

तकनीकी सारांश: अमेरिकी आर्कटिक में जहाज की गति के लिए एक ग्रेडिएंट बूस्टेड मिक्स्ड-मॉडल मशीन लर्निंग फ्रेमवर्क

समस्या विवरण
आर्कटिक में जहाज की गति (Speed Over Ground - SOG) के प्रेरकों को समझना नेविगेशनल सुरक्षा और पर्यावरणीय प्रभाव के प्रबंधन के लिए आवश्यक है, विशेष रूप से जैसे-जैसे जलवायु परिवर्तन मौसमी यातायात को बढ़ा रहा है। मौजूदा साहित्य अक्सर विश्लेषणात्मक मॉडलों पर निर्भर रहता है या जहाज की गति को एक एकल निरंतर प्रक्रिया के रूप में मानता है। हालांकि, आर्कटिक AIS डेटा में "मजबूत ज़ीरो इन्फ्लेशन" (strong zero inflation) देखा जाता है, जहाँ 53% से अधिक अवलोकन शून्य गति दर्ज करते हैं। शून्य और धनात्मक गति को एक ही निरंतर चर (continuous variable) के रूप में मानना, अलग-अलग परिचालन व्यवस्थाओं (स्थिर बनाम सक्रिय पारगमन) को अस्पष्ट कर देता है। इसके अलावा, पिछले अध्ययन अक्सर पर्यावरणीय प्रेरकों (समुद्री बर्फ, हवा, गहराई) का पृथक रूप से विश्लेषण करते हैं या एक ही जहाज, स्थान या समय अवधि से प्राप्त बार-बार के अवलोकनों की गैर-स्वतंत्रता (non-independence) को ध्यान में रखने में विफल रहते हैं। यह आर्कटिक नेविगेशन के गैर-रैखिक, बहुभिन्नरूपी (multivariate) प्रेरकों को चित्रित करने की क्षमता को सीमित करता है।

कार्यप्रणाली
लेखक GPBoost (ग्रुपड गॉसियन रैंडम इफेक्ट्स के साथ ग्रेडिएंट बूस्टेड डिसीजन ट्री) का उपयोग करते हुए एक दो-चरणीय मशीन लर्निंग फ्रेमवर्क प्रस्तावित करते हैं। यह दृष्टिकोण स्पष्ट रूप से शून्य-गति की घटनाओं को धनात्मक-गति की घटनाओं से अलग करता है।

1. डेटा: अध्ययन 14.8 मिलियन AIS अवलोकनों का विश्लेषण करता है (जुलाई-अक्टूबर, 2010-2019, अमेरिकी आर्कटिक)। सहचरों (Covariates) में समुद्री बर्फ सांद्रता, हवा के घटक (अलोंग-ट्रैक और क्रॉस-ट्रैक), बाथमीट्रिक गहराई, तट से दूरी, कोर्स ओवर ग्राउंड (COG), जहाज समूह और नेविगेशनल स्थिति शामिल हैं। पूर्ण कवरेज सुनिश्चित करने के लिए पर्यावरणीय डेटा को भू-सांख्यिकीय इंटरपोलेशन (क्रिगिंग) का उपयोग करके 0.5° ग्रिड पर AIS स्थितियों के साथ कोलोकेट किया गया था।
2. चरण 1: बाइनरी वर्गीकरण: एक बर्नुली लाइक्लिहुड (Bernoulli likelihood) और प्रोबिट लिंक वाला GPBoost मॉडल $SOG > 0$ की संभावना की भविष्यवाणी करता है।
3. चरण 2: सशर्त प्रतिगमन (Conditional Regression): उन अवलोकनों के लिए जहाँ $SOG > 0$ है, एक GPBoost मॉडल गति के परिमाण की भविष्यवाणी करता है। विषमता (skewness) को कम करने के लिए प्रतिक्रिया चर (response variable) $SOG$का वर्गमूल ($\sqrt{SOG}$) है।
4. रैंडम इफेक्ट्स (Random Effects): दोनों चरण विशिष्ट जहाजों (MMSI), स्थानिक ग्रिड सेल और दैनिक समय सूचकांकों के भीतर सहसंबंध को समझाने के लिए ग्रुपड गॉसियन रैंडम इफेक्ट्स को शामिल करते हैं। यह संरचना व्यवस्थित सहचर प्रभावों को जहाज-विशिष्ट, स्थानिक और अस्थायी परिवर्तनशीलता से अलग करती है।
5. व्याख्यात्मकता (Interpretability): लेखक मॉडल भविष्यवाणियों को विघटित करने के लिए SHAP (SHapley Additive exPlanations) मानों का उपयोग करते हैं, जो गति की संभावना और गति के परिमाण में प्रत्येक सहचर के सीमांत योगदान को मात्रात्मक रूप से निर्धारित करता है।

प्रमुख परिणाम

• मॉडल प्रदर्शन:
  • वर्गीकरण: मॉडल ने शून्य और धनात्मक SOG के बीच मजबूत विभेदन प्राप्त किया, जिसमें आउट-ऑफ-फोल्ड AUC 0.845 था।
  • प्रतिगमन: सशर्त गति मॉडल ने लगभग 77% आउट-ऑफ-फोल्ड विचरण ($R^2 \approx 0.77$) की व्याख्या की, जिसका माध्य पूर्ण त्रुटि (MAE) लगभग 1 नॉट था।
• प्रमुख चालक (Dominant Drivers):
  • तट से दूरी: दोनों चरणों में सबसे प्रभावशाली भविष्यवक्ता के रूप में पहचाना गया। तट के निकट होना धनात्मक SOG की संभावना को दृढ़ता से कम करता है और गति के परिमाण को सीमित करता है। इसका प्रभाव अत्यधिक गैर-रैखिक है, जो तट से 40-50 किमी दूर जाने पर ही स्थिर होता है।
  • कोर्स में परिवर्तन ($\Delta COG$): दूसरा सबसे प्रभावशाली कारक। छोटे हेडिंग परिवर्तन निरंतर पारगमन और उच्च गति से सहसंबंधित हैं, जबकि बड़े या बार-बार होने वाले परिवर्तन युद्धाभ्यास (maneuvering) और कम गति का संकेत देते हैं।
  • बाथमीट्रिक गहराई: एक महत्वपूर्ण निर्धारक, जिसमें गहरी जलधाराएं उथले तटीय क्षेत्रों की तुलना में उच्च गति और गति की उच्च संभावना का समर्थन करती हैं।
• द्वितीयक चालक:
  • जहाज समूह और स्थिति: ये व्यवस्थित प्रभाव दिखाते हैं (जैसे, स्टेटस 0 "इंजन का उपयोग करते हुए अंडरवे" धनात्मक SOG की दृढ़ता से भविष्यवाणी करता है; स्टेटस 1 "लंगर डाले हुए" शून्य SOG की दृढ़ता से भविष्यवाणी करता है), लेकिन वे स्थानिक और स्टीयरिंग चरों की तुलना में कम प्रभावशाली हैं।
  • पर्यावरणीय कारक: समुद्री बर्फ सांद्रता और हवा ने मामूली औसत प्रभाव दिखाया। लेखक नोट करते हैं कि हालांकि ये कारक विशिष्ट खतरनाक स्थितियों में महत्वपूर्ण हैं, लेकिन खुले जल के मौसम के विविध परिचालन संदर्भों में औसत किए जाने पर इनका प्रभाव कम हो जाता है।

महत्व और योगदान
यह शोध पत्र यह दावा करते हुए साहित्य को आगे बढ़ाता है कि यह एक एकीकृत फ्रेमवर्क पेश करता है जो शून्य और धनात्मक गति को एक एकल निरंतर प्रक्रिया के बजाय दो अलग-अलग परिचालन व्यवस्थाओं के रूप में मानता है। स्थिर व्यवहार को सक्रिय नेविगेशन से अलग करके, यह अध्ययन आर्कटिक जहाज संचालन का एक व्याख्यात्मक चित्रण प्रदान करता है जो निरंतर पारगमन से अलग रुकने/युद्धाभ्यास के पैटर्न को स्पष्ट करता है।

एक स्ट्रक्चर्ड रैंडम इफेक्ट्स को ग्रेडिएंट बूस्टिंग फ्रेमवर्क के भीतर एकीकृत करना, AIS डेटा की सहसंबंधित प्रकृति को ध्यान में रखते हुए गैर-रैखिक पर्यावरणीय प्रतिक्रियाओं को हल करने की अनुमति देता है। परिणाम आर्कटिक जहाज परिचालन व्यवस्थाओं को अनुभवजन्य रूप से चित्रित करते हैं, जिससे पता चलता है कि स्थानिक संदर्भ (तट से दूरी) और स्टीयरिंग व्यवहार ($\Delta COG$) प्राथमिक निर्धारक हैं, जो सामान्य रूप से जहाज के प्रकार और बर्फ एवं हवा जैसे पर्यावरणीय कारकों से अधिक प्रभावी हैं।

यह डेटा-संचालित लक्षण वर्णन गति प्रबंधन और कॉरिडोर-स्तरीय मूल्यांकन के लिए एक आधार प्रदान करता है, यह रेखांकित करता है कि नेविगेशनल और पारिस्थितिक जोखिम अक्सर तटीय क्षेत्रों में सह-अस्तित्व में होते जहाँ जहाज अधिक संभावना के साथ स्थिर या धीमी गति से युद्धाभ्यास कर रहे होते हैं, न कि अपतटीय पारगमन गलियारों में। लेखक निष्कर्ष निकालते हैं कि हालांकि थ्रेशोल्ड-आधारित बर्फ जोखिम मेट्रिक्स सूचनात्मक हैं, वे अभ्यास में देखे गए जटिल, बहुभिन्नरूपी चालकों को कैप्चर नहीं कर सकते, जिसके लिए इस अध्ययन द्वारा प्रदान किए गए प्रकार के सांख्यिकीय लक्षण वर्णन की आवश्यकता है।