Spectral-Domain Local Statistics with Missing-Data Support for Cartesian and Polar Grids

तकनीकी सारांश: लुप्त डेटा समर्थन के साथ स्पेक्ट्रल-डोमेन स्थानीय सांख्यिकी (Spectral-Domain Local Statistics)

1. समस्या विवरण

वैज्ञानिक इमेजिंग और रिमोट सेंसिंग डेटासेट (जैसे मौसम विज्ञान, रडार, पृथ्वी अवलोकन) में अक्सर सेंसर की सीमाओं, बीम अवरोध (beam blockage), या गुणवत्ता-नियंत्रण मास्किंग के कारण "लुप्त" या अमान्य डेटा होता है। स्थानीय सांख्यिकी (माध्य, प्रसरण, मानक विचलन) की गणना करने के लिए पारंपरिक विधियाँ दो प्राथमिक चुनौतियों का सामना करती हैं:

• गणना दक्षता (Computational Efficiency): बड़े सपोर्ट विंडो के लिए स्थानिक-डोमेन (spatial-domain) अभिसरण (convolution) स्पेक्ट्रल-डोमेन विधियों ($O(N \log N)$) की तुलना में खराब रूप से स्केल करता है ($O(N \cdot K)$)।
• सीमा और डेटा आर्टिफैक्ट्स (Boundary and Data Artifacts): मानक फास्ट फूरियर ट्रांसफॉर्म (FFT) दृष्टिकोण आवधिक सीमाओं (periodic boundaries) को मानते हैं, जिससे गैर-आवधिक कार्टेशियन ग्रिड में "रैप-अराउंड" (wrap-around) आर्टिफैक्ट्स उत्पन्न होते हैं। इसके अतिरिक्त, स्पेक्ट्रल ट्रांसफॉर्म में लुप्त मानों को शून्य के रूप में मानना "शून्य मान" को "कोई डेटा नहीं" के साथ मिला देता है, जिससे सांख्यिकी पक्षपाती हो जाती है।

2. कार्यप्रणाली (Methodology)

लेखक सीमा-जागरूक (boundary-aware) स्पेक्ट्रल ऑपरेटरों का उपयोग करके सामान्यीकृत स्थानीय सांख्यिकी की गणना करने के लिए एक ढांचा प्रस्तावित करते हैं। मुख्य दृष्टिकोण डेटा और एक निश्चितता मास्क (certainty mask) दोनों पर एक स्मूथिंग ऑपरेटर $S_g$ लागू करना है ताकि यह सुनिश्चित हो सके कि सांख्यिकी स्थानीय समर्थन द्वारा भारित (weighted) है।

मुख्य घटक शामिल हैं:

• सीमा-जागरूक ट्रांसफॉर्म (Boundary-Aware Transforms):
  • रिफ्लेक्टिव (DCT-II): कार्टेशियन अक्षों और रडार रेंज के लिए उपयोग किया जाता है ताकि हाफ-सैंपल सिमेट्रिक विस्तार को लागू किया जा सके, जिससे रैप-अराउंड आर्टिफैक्ट्स को रोका जा सके।
  • पीरियडिक (RFFT): ध्रुवीय ज्यामिति (polar geometry) में अज़ीमुथ अक्ष के लिए उपयोग किया जाता है ताकि स्कैन की चक्रीय प्रकृति का सम्मान किया जा सके।
• सामान्यीकृत अभिसरण (Normalized Convolution): लुप्त डेटा को संभालने के लिए, स्थानीय माध्य ($\mu$) की गणना स्मूथ किए गए मास्क के अनुपात के रूप में की जाती है: $\mu = S_g\{x \cdot m\} / S_g\{m\}$। यह सुनिश्चित करता है कि अनुमान NaNs की उपस्थिति से पक्षपाती न हो।
• स्थिरता सुरक्षा उपाय (Stability Safeguards): कम डेटा समर्थन वाले क्षेत्रों में संख्यात्मक अस्थिरता को रोकने के लिए, ढांचा निम्नलिखित को लागू करता है:
  • एक डिनोमिनेटर फ्लोर ($\epsilon$) जो शून्य से विभाजन को रोकता है।
  • एक प्रीफिल फॉलबैक (prefill fallback) जहाँ कम-समर्थित क्षेत्रों को प्रीफिल्ड फील्ड (पुनरावृत्ति स्पेक्ट्रल स्मूथिंग) द्वारा प्रतिस्थापित किया जाता है।
  • एक वैरिएंस क्लैंप (variance clamp) जो फ्लोटिंग-पॉइंट त्रुटियों के कारण नकारात्मक प्रसरण को रोकता है।
• अनुकूली ध्रुवीय स्मूथिंग (Adaptive Polar Smoothing): ध्रुवीय ग्रिडों के लिए, निरंतर भौतिक स्मूथिंग चौड़ाई बनाए रखने के लिए अज़ीमुथ कर्नेल की चौड़ाई को रेंज ($r$) के आधार पर अनुकूल रूप से स्केल किया जाता है।

3. मुख्य योगदान

1. एकीकृत ढांचा (Unified Framework): स्पष्ट सीमा मोड नियंत्रणों के साथ कार्टेशियन और ध्रुवीय ग्रिडों दोनों के लिए एक एकल गणितीय ढांचा प्रदान करने हेतु पिछले कार्यों का सामान्यीकरण करता है।
2. बहु-सांख्यिकी समर्थन (Multi-Statistic Support): सरल माध्य स्मूथिंग से आगे बढ़कर स्थानीय प्रसरण, मानक विचलन और प्रभावी नमूना गणना ($N_{eff}$) प्रदान करता है।
3. आउटलियर पहचान तर्क (Outlier Identification Logic): स्थानीय ज़ेड-स्कोर ($|v - \mu| > k\sigma$) का उपयोग करके 3D आउटलियर डिटेक्शन के लिए एक विधि तैयार करता है, जो जटिल, संकेत-परिवर्तित प्रवाह (जैसे चक्रवात) में वैश्विक सांख्यिकी की तुलना में अधिक मजबूत है।
4. ओपन-सोर्स कार्यान्वयन: पुनरुत्पादनीय वैज्ञानिक वर्कफ़्लो के लिए dct_toolkit प्रदान करता है।

4. परिणाम और सत्यापन

ढांचे को तीन अलग-अलग परिदृश्यों के माध्यम से सत्यापित किया गया:

• कार्टेशियन बाउंड्री चेक: प्रदर्शित किया गया कि गैर-आवधिक संकेतों में RMSE को काफी कम करने के लिए FFT (आवधिक) के बजाय DCT (रिफ्लेक्टिव) का उपयोग करना बेहतर है। आवधिक उपचार ने रैप-अराउंड आर्टिफैक्ट्स के कारण सभी-डोमेन RMSE में 258% की वृद्धि और केवल-एज RMSE में 561% की वृद्धि दिखाई।
• 3D सिंथेटिक आउटलियर टेस्ट: एक सिम्युलेटेड 3D चक्रवात विंड फील्ड में, पद्धति ने बिखरे हुए विसंगतियों (anomalies) को सफलतापूर्वक पहचाना। प्रिसिजन और रिकॉल (F1 स्कोर) के बीच इष्टतम संतुलन $k=3.0$ के थ्रेशोल्ड पर पाया गया, जो यह सिद्ध करता है कि स्थानीय सामान्यीकरण संरचित, उच्च-विचलन वाले वातावरण में प्रभावी ढंग से अनुकूलित होता है।
• रियल-रडार अनुप्रयोग: महत्वपूर्ण बीम ब्लॉकेज वाले X-बैंड रडार डेटा पर लागू किया गया। परिणामों ने दिखाया कि मिश्रित-सीमा ध्रुवीय ऑपरेटर (आवधिक अज़ीमुथ/रिफ्लेक्टिव रेंज) बड़े डेटा अंतराल के कारण होने वाले विकृतियों के बिना सुसंगत, स्थिर स्थानीय-माध्य अनुमान उत्पन्न करता है।

5. महत्व

यह शोध पत्र उच्च-आयामी वैज्ञानिक डेटा प्रसंस्करण के लिए एक मजबूत, गणनात्मक रूप से कुशल समाधान प्रदान करता है। स्पेक्ट्रल ट्रांसफॉर्म में सीधे सीमा-स्थिति मॉडलिंग को एकीकृत करके, लेखक शोधकर्ताओं को "मेसी" (messy) वास्तविक दुनिया के डेटासेट में विश्वसनीय स्थानीय निदान की गणना करने की अनुमति देते हैं। यह विधि रडार मौसम विज्ञान और भूभौतिकीय इमेजिंग के लिए विशेष रूप से महत्वपूर्ण है, जहाँ कार्टेशियन और ध्रुवीय ज्यामिति के बीच संक्रमण और बड़े लुप्त डेटा सेक्टर का होना एक मानक परिचालन चुनौती है।