Evaluating and improving crop-yield forecasting methods during extreme drought

हर साल गर्मियों में, किसान और सरकारें उम्मीद और चिंता के मिश्रण के साथ आसमान की ओर देखती हैं, यह अनुमान लगाने की कोशिश करती हैं कि खेतों से कितनी फसल काई जाएगी। यह अनुमान लगाना केवल परंपरा का मामला नहीं है; यह एक जटिल गणना है कि मौसम के पैटर्न, मिट्टी की स्थिति और पौधों के जीव विज्ञान कैसे मिलकर एक फसल का उत्पादन करते हैं। जब मौसम सामान्य व्यवहार करता है, तो कंप्यूटर अक्सर पिछले पैटर्न को देखकर इन भविष्यवाणियों को उचित सटीकता के साथ कर सकते हैं। हालांकि, प्रकृति हमेशा नियमों का पालन नहीं करती है। जब कोई चरम घटना आती है, जैसे कि एक भीषण सूखा जो जमीन को झुलसा देता है और मिट्टी को सुखा देता है, तो सामान्य पैटर्न टूट जाते हैं। ऐसी संकट की स्थिति में पौधों को जिन परिस्थितियों का सामना करना पड़ता है, वे इतिहास में देखी गई किसी भी चीज़ की सीमा से बाहर होती हैं, जिससे मानक पूर्वानुमान उपकरण भ्रमित और अप्रभावी हो जाते हैं। यह एक गंभीर समस्या है क्योंकि एक गलत भविष्यवाणी आर्थिक अस्थिरता और खाद्य संकट का कारण बन सकती है, जिससे यह महत्वपूर्ण हो जाता है कि उन तरीकों को खोजा जाए जिनसे फसल की पैदावार का पूर्वानुमान लगाया जा सके, तब भी जब मौसम अभूतपूर्व तरीके से व्यवहार करे।

बोस्टन कॉलेज के शोधकर्ताओं ने अमेरिकी मिडवेस्ट में 2012 के विनाशकारी सूखे के दौरान मक्का की पैदावार की भविष्यवाणी करने के लिए विभिन्न प्रकार के कंप्यूटर मॉडल कितनी अच्छी तरह काम कर सकते हैं, इसका परीक्षण करके इस विशिष्ट पहेली को हल करने का प्रयास किया। यह क्षेत्र, जिसे 'कॉर्न बेल्ट' के रूप में जाना जाता है, पचास वर्षों के सबसे खराब सूखे का सामना कर रहा था, जिससे राष्ट्रीय मक्का उत्पादन में लगभग तेरह प्रतिशत की कमी आई। टीम यह देखना चाहती थी कि क्या वे एक ऐसा सिस्टम बना सकते हैं जो अतीत से सीखता है लेकिन आपदा वर्ष की अजीब और चरम स्थितियों को संभालने के लिए पर्याप्त लचीला भी बना रहता है। उन्होंने दो मुख्य दृष्टिकोणों की तुलना की: पारंपरिक मशीन लर्निंग, जो स्थापित सांख्यिकीय नियमों का उपयोग करती है, और डीप लर्निंग, जो कृत्रिम बुद्धिमत्ता का एक अधिक उन्नत रूप है जो मानव मस्तिष्क द्वारा सूचनाओं को परतों के माध्यम से संसाधित करने के तरीके की नकल करता है। चुनौती यह थी कि सूखे के वर्ष का डेटा वैसा ही था जैसा पहले कभी मॉडलों ने नहीं देखा था, जिससे एक ऐसी स्थिति पैदा हुई जहाँ प्रशिक्षण डेटा (training data) और परीक्षण डेटा (test data) मौलिक रूप से भिन्न थे।

इस समस्या से निपटने के लिए, शोधकर्ताओं ने सैकड़ों काउंटियों के लिए दैनिक मौसम डेटा एकत्र किया, जिसमें तापमान, आर्द्रता, हवा और सौर विकिरण जैसे सोलह अलग-अलग वायुमंडलीय कारकों को ट्रैक किया गया। उन्होंने देखा कि डेटा अव्यवस्थित था; कुछ काउंटियों में रिकॉर्ड गायब थे, और दैनिक माप पूरे वर्ष के लिए नहीं था, बल्कि केवल बढ़ते मौसम के लिए था। इसे समझने के लिए, उन्होंने पहले 'फीचर सिलेक्शन' नामक तकनीक का उपयोग करके समस्या को सरल बनाने की कोशिश की। कंप्यूटर को हर एक मौसम माप को खिलाने के बजाय, उन्होंने एक विधि का उपयोग किया जिससे यह पहचाना जा सके कि वास्तव में कौन से कारक फसल की पैदावार में बदलाव ला रहे हैं। उन्होंने पाया कि जबकि लोग अक्सर बारिश और तापमान को सबसे महत्वपूर्ण कारक मानते हैं, मॉडल वास्तव में 'वेपर प्रेशर डेफिसिट' (वाष्प दबाव घाटा) और 'इवैपोट्रांसपिरेशन' (वाष्पोत्सर्जन) पर अधिक निर्भर थे। ये इस बात के माप हैं कि हवा पौधों और मिट्टी से कितना पानी खींच रही है, जो गर्मी, आर्द्रता और धूप के प्रभावों को पौधों के तनाव के एक एकल, शक्तिशाली संकेत में मिला देते हैं।

अध्ययन ने इस संकट को संभालने में विभिन्न मॉडलों के बीच एक स्पष्ट अंतर प्रकट किया। पारंपरिक मशीन लर्निंग मॉडल, जिनमें लीनियर रिग्रेशन और डिसीजन ट्री जैसे तरीके शामिल हैं, भीषण सूखे के दौरान संघर्ष करते हैं। वे खराब प्रदर्शन करते हैं क्योंकि उन्हें "सामान्य" वर्षों पर प्रशिक्षित किया गया था और वे 2012 के अजीब पैटर्न को पहचान नहीं सके। हालांकि, जब शोधकर्ताओं ने इन मॉडलों को केवल सबसे महत्वपूर्ण मौसम चालकों पर ध्यान केंद्रित करने के लिए संशोधित किया और उन कुछ ऐतिहासिक वर्षों को अतिरिक्त महत्व दिया जो सूखे वाले भी थे, तो भविष्यवाणियां काफी बेहतर हो गईं। इसने दिखाया कि सरल मॉडलों के लिए, यह समझना कि विशिष्ट मौसम कारक वास्तव में क्या मायने रखते हैं, डेटा के बेमेल होने की स्थिति से बचने की कुंजी है।

इसके विपरीत, डीप लर्निंग मॉडल, जिसे VITA कहा जाता है, बिना किसी विशेष बदलाव के उल्लेखनीय रूप से अच्छा प्रदर्शन करता रहा। इस मॉडल को परीक्षण से पहले वैश्विक मौसम डेटा के एक विशाल भंडार पर प्री-ट्रेन (pre-trained) किया गया था। चूंकि इसने विभिन्न स्रोतों से जटिल मौसम पैटर्न को पहचानने के लिए पहले से ही सीख लिया था, इसलिए यह 2012 के सूखे के अनुकूल स्वाभाविक रूप से ढलने में सक्षम था। इसने सभी अन्य मॉडलों को पीछे छोड़ दिया, चाहे वह अत्यधिक सूखा वर्ष हो या सामान्य वर्ष, जिससे सिद्ध हुआ कि एक बड़ा, प्री-ट्रेन्ड सिस्टम छोटे, विशिष्ट सिस्टम की तुलना में बेहतर सामान्यीकरण (generalize) कर सकता है जब डेटा अजीब हो जाता है। शोधकर्ताओं ने यह भी देखा कि मॉडल अपने निर्णय कैसे लेता है और पाया कि इसने बढ़ने के मौसम के मध्य भाग, विशेष रूप से जून और जुलाई के हफ्तों पर अपना ध्यान केंद्रित किया जब मक्का गर्मी और सूखे के प्रति सबसे अधिक संवेदनशील होता है। इसने पुष्टि की कि मॉडल केवल अनुमान नहीं लगा रहा था, बल्कि वास्तव में फसल की जैविक वास्तविकता को सीख रहा था।

अंततः, अध्ययन सुझाव देता है कि जबकि उन्नत डीप लर्निंग मॉडल चरम मौसम के दौरान फसल की पैदावार की भविष्यवाणी करने के लिए शक्तिशाली उपकरण हैं, वे एकमात्र समाधान नहीं हैं। उन स्थितियों के लिए जहां बड़े, जटिल सिस्टम का उपयोग नहीं किया जा सकता है, सही डेटा का सावधानीपूर्वक चयन करके और सबसे महत्वपूर्ण ऐतिहासिक घटनाओं को महत्व देकर सरल मॉडलों को भी प्रभावी बनाया जा सकता है। अनुसंधान इस बात पर प्रकाश डालता है कि पूर्वानुमान में सबसे बड़ी बाधा केवल डेटा की कमी नहीं है, बल्कि यह तथ्य है कि चरम घटनाएं अतीत से इतनी अलग दिखती हैं कि मानक उपकरण उन्हें पहचान नहीं पाते हैं। इन अंतरों को समझकर और मॉडलों को सही संकेतों पर ध्यान देने के लिए समायोजित करके, वैज्ञानिक फसल की कटाई का बेहतर पूर्वानुमान लगाने के लिए बेहतर सिस्टम बना सकते हैं, भले ही आसमान फसलों के विरुद्ध हो जाए।