📊 statistics

Probabilistic Classification and Uncertainty Quantification of Sahara Desert Climate Using Feedforward Neural Networks

यह लेख एक संभाव्यता ढांचा प्रस्तुत करता है जो 1960 से 1989 की अवधि के लिए सहारा मरुस्थल के जलवायु क्षेत्रों को वर्गीकृत करने और अनिश्चितताओं को मापने के लिए जनरेटिव न्यूरल नेटवर्क का उपयोग करता है, जो पारंपरिक नियतात्मक कोपेन-ट्रेवर्था वर्गीकरणों के मुकाबले एक अधिक सूक्ष्म विकल्प प्रदान करता है और साथ ही मरुस्थलीकरण के टेम्पोरल रुझानों का विश्लेषण भी करता है।

मूल लेखक: Stephen Tivenan, Indranil Sahoo, Yanjun Qian

प्रकाशित 2026-05-07

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Stephen Tivenan, Indranil Sahoo, Yanjun Qian

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

मुख्य विचार: "हाँ/नहीं" से "शायद" तक

कल्पना कीजिए कि आप रंग-बिरंगी कंचों (marbles) के एक विशाल ढेर को तीन जार में छाँटने की कोशिश कर रहे हैं: लाल (रेगिस्तान), नारंगी (अर्ध-रेगिस्तान/स्टेपी), और नीला (गैर-रेगिस्तान)।

दशकों से, वैज्ञानिक इन कंचों को छाँटने के लिए कोपेन-ट्रेवर्था (KT) प्रणाली नामक एक सख्त नियम पुस्तिका का उपयोग करते आए हैं। यह एक कठोर रोबोट की तरह है जो एक कंचे को देखता है और कहता है, "यह निश्चित रूप से लाल है" या "यह निश्चित रूप से नीला है।" यहाँ संदेह की कोई गुंजाइश नहीं है। यदि कोई कंचा बिल्कुल किनारे पर स्थित है, तो रोबोट उसे जबरदस्ती एक जार में या दूसरे में डाल देता है, भले ही वह दोनों जैसा दिखता हो।

समस्या क्या है? वास्तविक जीवन इतना काला और सफेद नहीं होता। रेगिस्तानों के किनारे धुंधले होते हैं। कभी-कभी एक हिस्सा 90% रेगिस्तान और 10% स्टेपी होता है। पुराना रोबोट आपको यह नहीं बताता; वह बस एक विजेता चुन लेता है।

यह शोध पत्र एक नया उपकरण पेश करता है: एक "इंटेलिजेंट प्रोबेबिलिस्टिक क्लासिफायर" (बुद्धिमान संभाव्यता वर्गीकरणकर्ता)। केवल एक जार चुनने के बजाय, यह उपकरण पूछता है: "इस कंचे के लाल होने की संभावना (probability) क्या है? इसके नारंगी होने की संभावना क्या है?" यह प्रत्येक संभावना के लिए आपको एक प्रतिशत देता है। यह हमें उन "धुंधले किनारों" को समझने में मदद करता है जहाँ जलवायु बदल रही है या अनिश्चित है।

उपकरण: एक डिजिटल मस्तिष्क (न्यूरल नेटवर्क)

इस बुद्धिमान उपकरण को बनाने के लिए, लेखकों ने एक फीडफॉरवर्ड आर्टिफिशियल न्यूरल नेटवर्क (ANN) का उपयोग किया।

इस नेटवर्क को न्यूरॉन्स की परतों से बने एक डिजिटल मस्तिष्क के रूप में कल्पना करें।

इनपुट: आप मस्तिष्क को सहारा और साहेल क्षेत्रों के बारे में डेटा (कितनी बारिश हुई और कितनी गर्मी थी) देते हैं जो 1960 से 1989 तक का है।
प्रशिक्षण (Training): मस्तिष्क पहले 11 वर्षों के डेटा (1960-1970) का परीक्षण करता है और पुराने KT नियम पुस्तिका के "आधिकारिक" लेबल के साथ डेटा का मिलान करना सीखता है। यह मानचित्र के लाखों छोटे टुकड़ों (पिक्सेल) को छाँटने का अभ्यास करता है।
परीक्षण (Test): प्रशिक्षित होने के बाद, मस्तिष्क का परीक्षण 1get 1971 से 1989 के डेटा के साथ किया जाता है। यह केवल लेबल का अनुमान नहीं लगाता; यह संभावना की गणना करता है।

जादुई ट्रिक: यह कहने के बजाय कि "यह हिस्सा रेगिस्तान है," मस्तिष्क कहता है: "95% संभावना है कि यह एक रेगिस्तान है, 4% संभावना है कि यह एक स्टेपी है, और 1% संभावना है कि यह रेगिस्तान नहीं है।"

उन्होंने क्या पाया

लेखकों ने इस पद्धति को सहारा रेगिस्तान और साहेल (रेगिस्तान के ठीक दक्षिण में स्थित संक्रमण क्षेत्र) पर 30 वर्षों की अवधि के दौरान लागू किया।

आसान जीत: मस्तिष्क सहारा के गहरे, गर्म केंद्र (100% रेगिस्तान) और दक्षिण में स्थित हरे-भरे क्षेत्रों (100% गैर-रेगिस्तान) की पहचान करने में अविश्वसनीय रूप से अच्छा था। यहाँ, इसने पुराने नियम पुस्तिका के साथ लगभग पूरी तरह से मेल खाया।
धुंधला मध्य भाग: मस्तिष्क को साहेल, यानी "बीच के" क्षेत्र के साथ थोड़ी अधिक कठिनाई हुई। यहाँ, संभावनाएँ मिली-जुली थीं। एक एकल हिस्सा 60% स्टेपी और 40% रेगिस्तान हो सकता है। यह कोई त्रुटि नहीं है; यह एक विशेषता है! यह दिखाता है कि यह क्षेत्र अस्थिर है और साल-दर-साल महत्वपूर्ण रूप से बदलता रहता है।
"फ्लक्चुएशन स्पेस" (उतार-चढ़ाव स्थान) का मानचित्र: लेखकों ने उतार-चढ़ाव (fluctuation) दिखाने वाला एक विशेष मानचित्र बनाया। एक ऐसे मानचित्र की कल्पना करें जहाँ कुछ क्षेत्र ठोस रंगों (बहुत स्थिर) में रंगे हुए हैं और अन्य क्षेत्रों में घूमते हुए, बदलते रंगों (बहुत अस्थिर) के साथ हैं।
- स्थिर क्षेत्र: गहरा सहारा और अरब प्रायद्वीप का मध्य भाग बहुत स्थिर था। वहाँ की जलवायु ने 30 वर्षों में अपना विचार शायद ही बदला।
- अस्थिर क्षेत्र: साहेल, इथियोपिया के कुछ हिस्से और मोरक्को के तट "कांपने" वाले थे। रेगिस्तान या स्टेपी होने की संभावना बार-बार बदलती रहती थी। यह हमें बताता है कि ये वे स्थान हैं जहाँ जलवायु सबसे अधिक संवेदनशील और अप्रत्याशित है।

यह क्यों मायने रखता है (शोध पत्र के अनुसार)

यह शोध पत्र तर्क देता है कि इस "संभावना" दृष्टिकोण का उपयोग करके, हमें दुनिया की एक बहुत समृद्ध तस्वीर मिलती है।

पुराना तरीका: "यह हिस्सा रेगिस्तान है।" (बात समाप्त)।
नया तरीका: "यह हिस्सा ज्यादातर रेगिस्तान है, लेकिन यह रेगिस्तान और स्टेपी के बीच झूलता रहता है।"

यह वैज्ञानिकों को संक्रमण क्षेत्रों (transition zones) को अधिक स्पष्ट रूप से देखने में मदद करता है। यह इस बात पर प्रकाश डालता है कि जलवायु प्रकारों के बीच की सीमाएँ मानचित्र पर स्पष्ट रेखाएँ नहीं हैं; वे अधिक धुंधली सीमाओं की तरह हैं जो बदलती और सांस लेती हैं।

शोध पत्र क्या दावा नहीं करता

यह महत्वपूर्ण है कि हम उन बातों पर टिके रहें जो लेखकों ने वास्तव में कही हैं:

उन्होंने यह दावा नहीं किया कि यह उपकरण भविष्य की जलवायु की भविष्यवाणी कर सकता है। उन्होंने केवल अतीत (1960-1989) को देखा।
उन्होंने यह दावा नहीं किया कि यह उपकरण हमें यह सटीक रूप से नहीं बता सकता कि रेगिस्तान क्यों बढ़ रहा है (मरुस्थलीकरण)। उन्होंने केवल अनिश्चितता के वर्तमान वर्गीकरण को मापने का एक बेहतर तरीका प्रदान किया।
उन्होंने वनस्पति या भूमि उपयोग (जैसे पेड़ों की सैटेलाइट फोटो) का कोई डेटा उपयोग नहीं किया; उन्होंने केवल वर्षा और तापमान के डेटा का उपयोग किया।

सारांश उपमा

कल्पना कीजिए कि पुराना जलवायु वर्गीकरण एक ट्रैफिक लाइट की तरह है: लाल, पीला, हरा। या तो आप रुके हुए हैं या चल रहे हैं।

यह नया शोध पत्र सुझाव देता है कि जलवायु एक डिमर (dimmer) की तरह है। कभी-कभी रोशनी पूरी तरह से लाल (रेगिस्तान) होती है, कभी पूरी तरह से हरी (गैर-रेगिस्तान), लेकिन अक्सर यह 60% लाल और 40% हरी स्थिति में रहती है। पुराना सिस्टम आपसे एक रंग चुनने के लिए मजबूर करता था। यह नया सिस्टम आपको प्रकाश के सटीक शेड को देखने में मदद करता है और हमें समझने में मदद करता है कि "पीला" क्षेत्र केवल एक त्रुटि नहीं है—यह दुनिया का एक वास्तविक, परिवर्तनशील और अनिश्चित हिस्सा है।

तकनीकी सारांश: फीडफॉरवर्ड न्यूरल नेटवर्कों का उपयोग करके सहारा मरुस्थल के जलवायु का संभाव्य वर्गीकरण और अनिश्चितता परिमाणीकरण

समस्या विवरण
पारंपरिक जलवायु प्रणाली वर्गीकरण, जैसे कि कोपेन-ट्रेवर्था (KT) वर्गीकरण, मौलिक रूप से नियतात्मक (deterministic) होते हैं। वे वर्षा और तापमान के स्थिर थ्रेशोल्ड के आधार पर स्थानिक स्थितियों को असतत लेबल प्रदान करते हैं, फिर भी वे वर्गीकरण में अंतर्निहित अनिश्चितताओं या संक्रमण जलवायु क्षेत्रों की गतिशील प्रकृति को संबोधित नहीं करते हैं। यह कठोरता सूक्ष्म पर्यावरणीय प्रवणताओं (gradients) को पकड़ने की क्षमता को सीमित करती है, विशेष रूप से सहारा और साहेल जैसे क्षेत्रों में, जहाँ जलवायु स्थितियाँ महत्वपूर्ण रूप से उतार-चढ़ाव करती हैं। यद्यपि हाल के अध्ययनों में मशीन लर्निंग का उपयोग जलवायु विज्ञान में किया गया है, कई दृष्टिकोण अभी भी नियतात्मक बने हुए हैं या भविष्यवाणियों से जुड़ी अनिश्चितता को स्पष्ट रूप से व्यक्त नहीं करते हैं। एक ऐसे ढांचे की आवश्यकता है जो संभाव्य जलवायु वर्गीकरण प्रदान कर सके और स्थापित श्रेणीगत लेबल के साथ-साथ, स्पष्ट प्रायिकता अनुमान और अनिश्चितता माप भी दे सके।

कार्यप्रणाली
लेखक संभाव्य जलवायु वर्गीकरण के लिए एक स्पैटियो-टेम्पोरल फीडफॉरवर्ड आर्टिफिशियल न्यूरल नेटवर्क (ANN) का उपयोग करते हुए एक नवीन ढांचे का प्रस्ताव करते हैं। अध्ययन 30 वर्षों की अवधि (1960-1989) के दौरान सहारा और साहेल क्षेत्रों पर केंद्रित है और इसमें GLDAS नोआ लैंड सरफेस मॉडल संस्करण 2.0 से प्राप्त डेटा का उपयोग किया गया है।

डेटा और विशेषताएं: मॉडल मासिक कुल वर्षा और तात्कालिक वायु तापमान का उपयोग करता है। ग्राउंड-ट्रुथ लेबल (शुष्क, अर्ध-शुष्क, गैर-शुष्क) को KT वर्गीकरण प्रणाली से प्राप्त किया गया है, जिसमें पैटन का वर्षा थ्रेशोल्ड ( $R$ ), जो औसत वार्षिक तापमान ( $T$ ) और शीतकालीन वर्षा के अनुपात ( $P_W$ ) का एक फलन है, का उपयोग किया गया है। औसत वार्षिक वर्षा और इस थ्रेशोल्ड के अनुपात ( $P/R$ ) का उपयोग एक प्रमुख निरंतर इनपुट चर के रूप में किया जाता है।
मॉडल आर्किटेक्चर: प्रस्तावित मॉडल एक फीडफॉरवर्ड न्यूरल नेटवर्क है जिसमें एक इनपुट लेयर, दो हिडन लेयर्स और एक आउटपुट लेयर है।
- इनपुट: कच्चे निर्देशांकों (coordinates) के बजाय, मॉडल संरचनात्मक निर्भरताओं को पकड़ने के लिए स्पैटियो-टेम्पोरल बेसिस फंक्शन्स को एकीकृत करता है। स्थानिक निर्भरताओं को मल्टी-स्केल, कॉम्पैक्टली सपोर्टेड वेंडलैंड रेडियल बेसिस फंक्शन्स का उपयोग करके मॉडल किया गया है, जबकि टेम्पोरल निर्भरताओं के लिए गौसियन रेडियल बेसिस फंक्शन्स का उपयोग किया गया है। इन्हें $P/R$ मीट्रिक के साथ इनपुट वेक्टर बनाने के लिए स्टैक किया गया है।
- हिडन लेयर्स: हिडडेन लेयर्स रेक्टिफाइड लीनियर यूनिट (ReLU) एक्टिवेशन फंक्शन का उपयोग करती हैं और ओवरफिटिंग को रोकने के लिए इसमें 50% ड्रॉपआउट रेट शामिल है।
- आउटपुट: अंतिम लेयर सॉफ्टमैक्स (Softmax) एक्टिवेशन फंक्शन का उपयोग करती है ताकि प्रत्येक स्पैटियो-टेम्पोरल स्थान के लिए तीन जलवायु श्रेणियों (शुष्क, अर्ध-शुष्क, गैर-शुष्क) के लिए प्रायिकता वितरण ( $p_1, p_2, p_3$ ) प्राप्त किया जा सके।
प्रशिक्षण और सत्यापन: मॉडल को 1960-1970 के डेटा (4,00,000 से अधिक स्थानिक स्थितियों) पर प्रशिक्षित किया गया था और 1971-1989 के टेस्ट सेट के साथ सत्यापित किया गया था। नेटवर्क को स्पार्स कैटेगोरिकल क्रॉस-एन्ट्रॉपी (SCCE) लॉस फंक्शन को कम करने के लिए एडम (Adam) ऑप्टिमाइज़र का उपयोग करके अनुकूलित किया गया था।
अनिश्चितता परिमाणीकरण: असतत वर्गीकरण के अलावा, लेखक समय के साथ अनुमानित प्रायिकताओं के भिन्नता गुणांक (Coefficient of Variation - CV) के माध्यम से एक उतार-चढ़ाव विश्लेषण (fluctuation analysis) करते हैं। यह मीट्रिक प्रत्येक पिक्सेल के लिए जलवायु वर्गीकरण की अस्थायी स्थिरता या अस्थिरता को मापता है।

प्रमुख परिणाम

वर्गीकरण प्रदर्शन: मॉडल ने शुष्क और गैर-शुष्क क्षेत्रों को वर्गीकृत करने में उच्च सटीकता प्रदर्शित की, जिसमें टेस्ट वर्षों (1975, 1980, 1985) में प्रिसिजन, रिकॉल और F1-स्कोर लगातार 95% से अधिक रहा। शुष्क श्रेणी ने 97-98% का F1-स्कोर प्राप्त किया, जबकि गैर-शुष्क ने 96-99% प्राप्त किया।
अर्ध-शुष्क के साथ चुनौतियां: अर्ध-शुष्क श्रेणी के लिए प्रदर्शन कम था (F1-स्कोर 78% से 81% के बीच)। लेखक इसका श्रेय साहेल बेल्ट की संक्रमणकालीन और पारिस्थितिक रूप से परिवर्तनशील प्रकृति को देते हैं, जहाँ जलवायु सीमाएँ स्थान और समय के साथ तेजी से बदलती हैं, जिससे असतत वर्गीकरण स्वाभाविक रूप से कठिन हो जाता है।
संभाव्य अंतर्दृष्टि: संभाव्य आउटपुट ने खुलासा किया कि मध्य सहारा और अरब प्रायद्वीप के आंतरिक भाग उच्च निश्चितता (कम प्रायिकता भिन्नता) प्रदर्शित करते हैं, जबकि संक्रमण क्षेत्रों में महत्वपूर्ण अनिश्चितता देखी गई।
उतार-चढ़ाव विश्लेषण: CV विश्लेषण ने उन विशिष्ट क्षेत्रों की पहचान की जहाँ जलवायु वर्गीकरण में उच्च अस्थायी परिवर्तनशीलता देखी गई, जिनमें हॉर्न ऑफ अफ्रीका, साहेल बेल्ट, उत्तर-पश्चिमी अफ्रीका (एटलस पर्वतमाला) और ईरान के कुछ हिस्से शामिल हैं। ये क्षेत्र, जो अध्ययन क्षेत्र का लगभग 6% हिस्सा बनाते हैं (उच्च और बहुत उच्च उतार-चढ़ाव), पारिस्थितिक संक्रमण क्षेत्र हैं जहाँ शुष्कता वर्गीकरण बार-बार बदलते हैं। इसके विपरीत, क्षेत्र का 65.65% हिस्सा "बहुत कम उतार-चढ़ाव" प्रदर्शित करता है, जो स्थिर जलवायु पैटर्न को दर्शाता है।

महत्व और दावे
लेख दावा करता है कि यह एक पद्धतिगत ढांचे को पेश करता है जो जलवायु वर्गीकरण को एक कठोर, नियतात्मक प्रक्रिया से एक लचीली, संभाव्य प्रक्रिया में बदल देता है। इसकी प्राथमिक महत्ता निम्नलिखित को सक्षम करने में है:

अनिश्चितता का परिमाणीकरण: जलवायु श्रेणियों के लिए स्पष्ट प्रायिकता अनुमान प्रदान करना, जिससे शोधकर्ताओं को उच्च वर्गीकरण निश्चितता वाले क्षेत्रों (जैसे गहरा रेगिस्तान) को उच्च अनिश्चितता वाले क्षेत्रों (जैसे इकोटोन्स) से अलग करने में मदद मिलती है।
सूक्ष्मता को प्रकट करना: यह प्रदर्शित करना कि जलवायु श्रेणियों के बीच की सीमाएं पारंपरिक तरीकों की तुलना में अक्सर अधिक गतिशील और निरंतर होती हैं। संभाव्य दृष्टिकोण उन क्रमिक संक्रमणों और पारिस्थितिक प्रवणताओं को पकड़ता है जिन्हें असतत क्लासिफायर अनदेखा कर देते हैं।
अस्थिरता की पहचान: जलवायु वर्ग प्रायिकताओं में महत्वपूर्ण उतार-चढ़ाव का पता लगाने के लिए एक उपकरण प्रदान करना, जो रेगिस्तानीकरण और जलवायु अस्थिरता के व्यापक रुझानों के बारे में अंतर्दृष्टि प्रदान करता है, बिना किसी विशिष्ट पारिस्थितिक परिवर्तनों या भविष्य के अनुमानों का दावा किए।

लेखक विनम्रतापूर्वक नोट करते हैं कि यह अध्ययन सीधे पारिस्थितिक परिवर्तनों या रेगिस्तानीकरण का पता लगाने का दावा नहीं करता है, बल्कि वर्गीकरण को अधिक लचीले ढंग से इंटरपोलेट करने और अनिश्चितता का अनुमान लगाने के लिए एक उपकरण प्रदान करता है। वे सीमाओं को भी स्वीकार करते हैं, जिसमें वनस्पति सूचकांकों का बहिष्करण, एक निश्चित फीडफॉरवर्ड आर्किटेक्चर का उपयोग, और भविष्य के जलवायु अनुमानों के बिना ऐतिहासिक डेटा पर निर्भरता शामिल है। वे सुझाव देते हैं कि भविष्य के कार्य में एडेप्टिव नोड प्लेसमेंट और अधिक जटिल आर्किटेक्चर (जैसे CNN या RNN) का अन्वेषण किया जा सकता है ताकि स्पैटियो-टेम्पोरल सहसंबंधों को बेहतर ढंग से कैप्चर किया जा सके।