तकनीकी सारांश: पर्यावरणीय मॉडलिंग में स्थानिक (Spatial) और यादृच्छिक (Random) क्रॉस-वैलिडेशन से आगे बढ़ना

1. समस्या विवरण

पारिस्थितिकी (Ecology) और भू-विज्ञान (Geosciences) में स्थानिक भविष्य कहनेवाला मॉडलिंग (Spatial predictive modeling) के अनुप्रयोग में एक गंभीर चुनौती है: जब भविष्यवाणी क्षेत्र का औपचारिक संभाव्यता नमूना (Formal probability sample) उपलब्ध न हो, तो मानचित्र की सटीकता का उचित मूल्यांकन कैसे किया जाए। हालांकि इस बात पर सहमति है कि सटीकता अनुमान के लिए स्वतंत्र संभाव्यता नमूना (Independent probability sampling) स्वर्ण मानक (Gold standard) है, लेकिन बड़े, अवसरवादी पारिस्थितिक डेटाबेस (जैसे, GBIF, sPlotOpen) के साथ ऐसे नमूने अक्सर अव्यवहारिक होते हैं।

परिणामस्वरूप, शोधकर्ता डेटा विभाजन रणनीतियों पर निर्भर करते हैं, मुख्य रूप से यादृच्छिक क्रॉस-वैलिडेशन (Random CV) और स्थानिक क्रॉस-वैलिडेशन (Spatial CV)। हालांकि, इस बारे में एक महत्वपूर्ण बहस जारी है कि कौन सी विधि निष्पक्ष अनुमान प्रदान करती है:

• यादृच्छिक CV (Random CV) यह मानता है कि डेटा स्वतंत्र और समान रूप से वितरित (iid) है। आलोचकों का तर्क है कि यह स्थानिक ऑटोकोरिलेशन (Spatial autocorrelation) की अनदेखी करता है, जिससे डेटा लीकेज होता है और क्लस्टर वाले प्रशिक्षण बिंदुओं के मामले में अत्यधिक आशावादी सटीकता अनुमान प्राप्त होते हैं।
• स्थानिक CV (Spatial CV) (जैसे, ब्लॉक CV) फोल्ड्स के बीच स्थानिक स्वतंत्रता को लागू करने के लिए स्थानिक ब्लॉकों का उपयोग करता है। आलोचकों का तर्क है कि यह यादृच्छिक रूप से वितरित डेटा के लिए कृत्रिम एक्सट्रपलेशन (Extrapolation) परिदृश्य बनाता है, जिससे अत्यधिक निराशावादी (Pessimistic) त्रुटि अनुमान प्राप्त होते हैं।

मुख्य समस्या यह है कि साहित्य अक्सर "इंटरपोलेशन" (प्रशिक्षण और भविष्यवाणी क्षेत्र ओवरलैप होते हैं) और "एक्सट्रपलेशन" (नए क्षेत्रों में भविष्यवाणी करना) को परस्पर विरोधी छोरों के रूप में देखता है। व्यवहार में, अधिकांश पारिस्थितिक डेटासेट इन चरम सीमाओं के बीच एक कंटीनम (Continuum) पर आते हैं, जो नमूनाकरण पूर्वाग्रह और क्लस्टरिंग की विभिन्न डिग्री द्वारा पहचाने जाते हैं। मौजूदा विधियाँ इस कंटिनम के अनुकूल लचीले ढंग से ढलने में विफल रहती हैं, जिसके परिणामस्वरूप अविश्वसनीय सटीकता अनुमान प्राप्त होते हैं जो वास्तविक भविष्यवाणी की कठिनाई को नहीं दर्शाते हैं।

2. कार्यप्रणाली

इस अंतर को दूर करने के लिए, लेखक मूल रूप से वाडौक्स एट अल. (2021) द्वारा प्रस्तुत एक सिमुलेशन अध्ययन को दोहराते और विस्तारित करते हैं, जो अमेज़न बेसिन में रैंडम फॉरेस्ट मॉडल और 28 पर्यावरणीय भविष्यवाताओं (Predictors) का उपयोग करके वन 'अपरग्राउंड बायोमास' (AGB) की भविष्यवाणी पर केंद्रित है।

सिमुलेशन डिज़ाइन

अध्ययन ने एक्सट्रपलेशन कंटिनम का प्रतिनिधित्व करने के लिए चार अलग-अलग नमूनाकरण डिज़ाइनों को उत्पन्न किया:

1. यादृच्छिक (Random): भविष्यवाणी क्षेत्र में यादृच्छिक रूप से वितरित प्रशिक्षण बिंदु।
2. कमजोर क्लस्टरिंग (Weakly Clustered): प्रशिक्षण बिंदुओं का मध्यम क्लस्टरिंग।
3. मजबूत क्लस्टरिंग (Strongly Clustered): विशिष्ट क्षेत्रों में प्रशिक्षण बिंदुओं का उच्च घनत्व, जिससे बड़े अंतराल रह जाते हैं।
4. एक्सट्रपलेशन (Extrapolation): एक क्षेत्र में प्रशिक्षण बिंदु, और एक पूरी तरह से अलग भौगोलिक क्षेत्र में भविष्यवाणी क्षेत्र।

तुलना की गई मूल्यांकन रणनीतियाँ

अध्ययन ने एक डिज़ाइन-आधारित अनुमान (Design-based inference) बेसलाइन (स्वतंत्र यादृच्छिक परीक्षण नमूनों का उपयोग करके) के विरुद्ध तीन क्रॉस-वैलिडेशन रणनीतियों की तुलना की:

1. यादृच्छिक CV (Random CV): मानक यादृच्छिक विभाजन।
2. स्थानिक CV (Spatial CV): फोल्ड्स के बीच दूरी बनाए रखने के लिए स्थानिक ब्लॉकों का उपयोग करके विभाजन।
3. प्रेडिक्शन-डोमेन एडेप्टिव CV (Prediction-Domain Adaptive CV): k-निकटतम पड़ोसी दूरी मिलान (k-Nearest Neighbour Distance Matching - kNNDM) का उपयोग करके कार्यान्वित एक नई श्रेणी की विधियाँ। यह दृष्टिकोण स्पष्ट रूप से प्रशिक्षण सेट के भीतर निकटतम-पड़ोसी दूरियों के वितरण को, भविष्यवाणी डोमेन और प्रशिक्षण डेटा के बीच की दूरियों के वितरण से मिलाने का लक्ष्य रखता है।

मात्रात्मक मेट्रिक्स

• वॉसरस्टीन सांख्यिकी (Wasserstein Statistic - $W$): प्रशिक्षण सेट के भीतर स्थानिक निकटतम-पड़ोसी दूरियों के घनत्व और भविष्यवाणी स्थानों तथा प्रशिक्षण डेटा के बीच की दूरी के बीच अंतर को मापकर एक्सट्रपलेशन की डिग्री को मापने के लिए उपयोग किया गया।
• रूट मीन स्क्वायर एरर (RMSE): सटीकता के मूल्यांकन के लिए प्राथमिक मीट्रिक। अध्ययन ने अनुमानित RMSE (CV से) और वास्तविक RMSE (पूरे क्षेत्र में सिम्युलेटेड सत्य के विरुद्ध गणना की गई) के बीच के अंतर की गणना की।
• अनुप्रयोग का क्षेत्र (Area of Applicability - AoA): एक असमानता सूचकांक (Dissimilarity index) जिसका उपयोग उस भौगोलिक विस्तार को परिभाषित करने के लिए किया जाता है जहाँ मॉडल को प्रशिक्षित और मान्य किया गया था, जिससे सटीकता अनुमानों को उन क्षेत्रों तक सीमित किया जा सके जहाँ भविष्यवाणी की कठिनाई प्रशिक्षण डेटा के समान है।

3. मुख्य योगदान

वैचारिक: एक्सट्रपलेशन कंटिनम (The Extrapolation Continuum)

यह शोध पत्र इंटरपोलेशन बनाम एक्सट्रपलेशन के द्विआधारी (Binary) दृष्टिकोण के विरुद्ध तर्क देता है। इसके बजाय, यह प्रस्तावित करता है कि भविष्यवाणियाँ स्थानिक निकटतम-पड़ोसी दूरियों के घनत्व द्वारा परिभाषित एक कंटीनम पर मौजूद हैं। भविष्यवाणी की कठिनाई तब बढ़ती है जब प्रशिक्षण और भविष्यवाणी स्थानों के बीच का अंतर चौड़ा हो जाता है, जिसे वॉसरस्टीन सांख्यिकी द्वारा मापा जाता है।

पद्धतिगत: प्रेडिक्शन-डोमेन एडेप्टिव इवैल्यूएशन

लेखक प्रेडिक्शन-डोमेन एडेप्टिव इवैल्यूएशन को क्रॉस-वैलिडेशन की एक नई श्रेणी के रूप में पेश करते हैं। रैंडम या स्थानिक CV के विपरीत, जो निश्चित नियम (यादृच्छिकता या स्वतंत्रता) लागू करते हैं, एडेप्टिव विधियाँ (विशेष रूप से kNNDM) पुनर्मूल्यांकन रणनीति को भविष्यवाणी की स्थिति के समान होने के लिए लचीले ढंग से समायोजित करती हैं।

• यादृच्छिक नमूनाकरण परिदृश्यों में, यह रैंडम CV (छोटी दूरियाँ) की नकल करता है।
• क्लस्टर या एक्सट्रपलेशन परिदृश्यों में, यह स्थानिक CV (बड़ी दूरियाँ) की नकल करता है।
  लक्ष्य केवल स्वतंत्रता को लागू करना नहीं है, बल्कि यह सुनिश्चित करना है कि सत्यापन फोल्ड्स में "भविष्यवाणी की कठिनाई" वास्तविक भविष्यवाणी डोमेन में मौजूद कठिनाई के समान हो।

अनुभवजन्य: पूर्वाग्रह के द्वंद्व का समाधान (Resolving the Bias Dilemma)

अध्ययन प्रदर्शित करता है कि:

• यादृच्छिक CV क्लस्टर और एक्सट्रपलेशन परिदृश्यों में सटीकता को लगातार बढ़ा देता है (त्रुटि को कम आंकता है) क्योंकि इसमें डेटा लीकेज होता है।
• स्थानिक CV रैंडम या कमजोर क्लस्टर वाले परिदृश्यों में सटीकता को लगातार कम कर देता है (त्रुटि को अधिक आंकता है) क्योंकि यह वहां एक्सट्रपलेशन को मजबूर करता है जहां वास्तव में ऐसा नहीं है।
• प्रेडिक्शन-डोमेन एडेप्टिव CV कंटिनम में सबसे विश्वसनीय अनुमान प्रदान करता है, जो रैंडम, कमजोर क्लस्टर और मजबूत क्लस्टर परिदृश्यों में वास्तविक RMSE के साथ लगातार मेल खाता है।

वैश्विक सटीकता की सीमा

यह शोध पत्र इस बात पर प्रकाश डालता है कि शुद्ध एक्सट्रपलेशन परिदृश्यों (एक पूरी तरह से नए क्षेत्र में भविष्यवाणी करना) में भी सबसे अच्छा CV विधि भी विफल हो जाता है। इन मामलों में, CV अनुमान अत्यधिक आशावादी बने रहते हैं क्योंकि मॉडल प्रशिक्षण वितरण के बाहर के प्रेडिक्टर मानों का सामना करता है। लेखक इस बात पर जोर देते हैं कि सटीकता अनुमान केवल अनुप्रयोग के क्षेत्र (Ao lack of Applicability - AoA) के भीतर ही वैध हैं, जहाँ भविष्यवाणी की कठिनाई प्रशिक्षण डोमेन के समान है।

4. परिणाम

सिमुलेशन के परिणाम (जो पेपर के चित्र 2 में दर्शाए गए हैं) दिखाते हैं कि:

• यादृच्छिक CV: क्लस्टर और एक्सट्रपलेशन डिज़ाइनों के लिए नकारात्मक पूर्वास (त्रुटि का कम आकलन) उत्पन्न हुआ।
• स्थानिक CV: रैंडम और कमजोर क्लस्टर डिज़ाइनों के लिए सकारात्मक पूर्वास (त्रुटि का अधिक आकलन) उत्पन्न हुआ।
• प्रेडिक्शन-डोमेन एडेप्टिव CV: रैंडम, कमजोर क्लस्टर और मजबूत क्लस्टर डिज़ाइनों के लिए शून्य अंतर (पूर्ण अनुमान) के सबसे करीब के अनुमान प्रदान किए।
• एक्सट्रपलेशन परिदृश्य: एडेप्टिव CV भी पूरे क्षेत्र के लिए वास्तविक त्रुटि का अनुमान लगाने में संघर्ष करता है, जो पुष्टि करता है कि प्रदर्शन सांख्यिकी उन क्षेत्रों के लिए सामान्यीकृत नहीं होती है जो प्रशिक्षण डेटा से मौलिक रूप से भिन्न हैं। हालांकि, अनुप्रयोग के क्षेत्र (AoA) तक मूल्यांकन को सीमित करने पर, अनुमानों में काफी सुधार हुआ।

5. महत्व और दावे

लेखक इस कार्य को रैंडम और स्थानिक क्रॉस-वैलिडेशन के समर्थकों के बीच चल रही बहस के एक समेकन के रूप में देखते हैं। उनका दावा है कि:

1. निष्पक्ष अनुमान: केवल एक संभाव्यता नमूना ही मानचित्र की सटीकता का वास्तव में निष्पक्ष अनुमान प्रदान कर सकता है; सभी CV विधियाँ केवल प्रॉक्सी (Proxy) हैं।
2. संदर्भगत उपयुक्तता (Contextual Suitability): कोई एक "सर्वश्रेष्ठ" CV विधि नहीं है। रैंडम डेटा के लिए रैंडम CV उपयुक्त है; स्थानिक विधियाँ एक्सट्रपलेशन के लिए उपयुक्त हैं। हालांकि, अधिकांश वास्तविक दुनिया के मामले इनके बीच में आते हैं।
3. अनुकूली समाधान (Adaptive Solution): प्रेडिक्शन-डोमेन एडेप्टिव इवैल्यूएशन एक एकीकृत ढांचा प्रदान करता है जो विशिष्ट भविष्यवाणी संदर्भ (एक्सट्रपलेशन कंटिनम) के अनुकूल होता है, जिससे कठोर रैंडम या स्थानिक दृष्टिकोणों की तुलना में अधिक यथार्थवादी सटीकता अनुमान प्राप्त होते हैं।
4. वैधता का दायरा: CV से प्राप्त सटीकता अनुमान केवल उन नई भविष्यवाणी स्थितियों के लिए सार्थक हैं जो भविष्यवाणी की कठिनाई के मामले में सत्यापन फोल्ड्स के समान हैं। इसलिए, भविष्यवाणियों और उनके संबंधित सटीकता आकलन को अनुप्रयोग के क्षेत्र (AoA) तक ही सीमित किया जाना चाहिए।

यह पेपर निष्कर्ष निकालता है कि हालांकि क्रॉस-वैलिडेशन, डिज़ाइन-आधारित अनुमान का स्थान नहीं ले सकता, फिर भी प्रेडिक्शन-डोमेन एडेप्टिव इवैल्यूएशन संभाव्यता नमूनों की अनुपस्थिति में मॉडल ट्यूनिंग और सटीकता अनुमान के लिए एक संतुलित, लचीला दृष्टिकोण प्रदान करता है, जो डेटा लीकेज और कृत्रिम एक्सट्रपलेशन के बीच के द्वंद्व को प्रभावी ढंग से हल करता है।