⚡ electrical engineering

Groundwater Forecasting Under Missing Data Uncertainty: A Multi-Horizon Assessment Using Hyperbolic Deep Learning

यह अध्ययन एक एकीकृत मल्टी-होराइजन भूजल पूर्वानुमान ढांचे का प्रस्ताव करता है जो अवलोकन संबंधी अंतराल को प्रभावी ढंग से संबोधित करने और दीर्घकालिक भविष्यवाणियों में त्रुटि संचय को कम करने के लिए इष्टतम लुप्त-डेटा पुनर्निर्माण को हाइपरबोलिक डीप लर्निंग के साथ जोड़ता है, जो पारंपरिक डीप लर्निंग आर्किटेक्चर की तुलना में बेहतर स्थिरता और सटीकता प्रदर्शित करता है।

मूल लेखक: Kübra Küllahcı, Kürşat Şekerci

प्रकाशित 2026-07-04

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Kübra Küllahcı, Kürşat Şekerci

मूल पेपर CC BY 4.0 (https://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

बड़ी तस्वीर: भूमिगत महासागर की भविष्यवाणी करना

कल्पना कीजिए कि भूजल हमारे पैरों के नीचे छिपा एक विशाल, अदृश्य महासागर है। किसान, शहर और उद्योग इस पर निर्भर हैं, लेकिन हम इसे देख नहीं सकते। हमें केवल यह पता चलता है कि पानी का स्तर कितना ऊँचा या नीचा है, जब हम कुछ "थर्मामीटर" (निगरानी कुओं) की जाँच करते हैं।

समस्या क्या है? ये थर्मामीटर कभी-कभी टूट जाते हैं, या उन्हें पढ़ने वाले लोग कुछ दिन डेटा दर्ज करना भूल जाते हैं। इससे डेटा में अंतराल (gaps) रह जाते हैं। इसके अलावा, अगले महीने पानी का स्तर क्या होगा, इसकी भविष्यवाणी करना आसान है, लेकिन पाँच महीने बाद क्या होगा, इसका अनुमान लगाना एक साल पहले मौसम की भविष्यवाणी करने जैसा है—यह बहुत जल्दी उलझ जाता है और अनिश्चित हो जाता है।

यह शोध पत्र एक नया "सुपर-फोरकास्टिंग" टूल पेश करता है जिसे इन टूटे हुए रिकॉर्ड्स को संभालने और बेहतर दीर्घकालिक अनुमान लगाने के लिए डिज़ाइन किया गया है।

भाग 1: टूटे हुए रिकॉर्ड्स को ठीक करना (डेटा इम्प्यूटेशन)

समस्या: भविष्यवाणी करने से पहले, आपको एक पूर्ण इतिहास की आवश्यकता होती है। लेकिन पूर्वी तुर्की के कुओं से प्राप्त डेटा में कुछ छेद थे (लापता महीने)।

उपमा: कल्पना कीजिए कि आप एक जिग्सॉ पज़ल (jigsaw puzzle) को पूरा करने की कोशिश कर रहे हैं, लेकिन उसके कई टुकड़े गायब हैं।

पुराना तरीका: आप शायद बगल वाले टुकड़े के रंग के आधार पर गायब टुकड़े का अनुमान लगा सकते हैं (सिंपल इंटरपोलेशन) या किसी समान पज़ल को देखकर वहां से एक टुकड़ा कॉपी कर सकते हैं (k-Nearest Neighbors)।
शोध पत्र का दृष्टिकोण: शोधकर्ताओं ने "खाली स्थानों को भरने" के चार अलग-अलग तरीकों का परीक्षण किया। उन्होंने इसे एक विज्ञान प्रयोग की तरह माना, जिसमें उन्होंने न केवल यह देखा कि संख्याएँ सही दिख रही हैं या नहीं, बल्कि यह भी देखा कि पानी की गति का आकार (उसकी लय और पैटर्न) बना हुआ है या नहीं।

विजेता: उन्होंने पाया कि KalmanUCM नामक विधि सबसे अच्छा "पज़ल फिक्सर" थी। इसने केवल एक संख्या का अनुमान नहीं लगाया; बल्कि इसने पानी की अंतर्निहित कहानी (मौसमी उतार-चढ़ाव और धीमी प्रवृत्तियों) को समझा और अंतराल को इस तरह भरा जिससे प्राकृतिक लय बरकरार रही।

भाग 2: नया "दिमाग" (हाइपरबोलिक डीप लर्निंग)

समस्या: एक बार जब डेटा ठीक हो गया, तो उन्हें भविष्य की भविष्यवाणी करने के लिए एक कंप्यूटर मॉडल की आवश्यकता थी। अधिकांश मानक कंप्यूटर मॉडल (जैसे स्टॉक मार्केट या मौसम के लिए उपयोग किए जाने वाले मॉडल) सपाट, सीधी रेखाओं (यूक्लिडियन स्पेस) में सोचते हैं।

उपमा: एक सपाट कागज के पन्ने के बारे में सोचें। यदि आप एक सपाट कागज पर एक जटिल, शाखाओं वाला पेड़ बनाने की कोशिश करते हैं, तो जैसे-जैसे शाखाएं बाहर की ओर बढ़ती हैं, वे दब जाती हैं और भीड़भाड़ वाली हो जाती हैं। आप कागज को फटने दिए बिना या शाखाओं को अव्यवस्थित रूप से ओवरलैप किए बिना पूरी जटिलता नहीं दिखा सकते।

भूजल एक पेड़ की तरह है: इसमें सरल अल्पकालिक परिवर्तन (दैनिक वर्षा) और जटिल, गहरे दीर्घकालिक परिवर्तन (वर्षों का सूखा या भंडारण) होते हैं।
पुराने मॉडल: इस जटिल पेड़ को एक सपाट कागज पर जबरन फिट करने की कोशिश करते हैं। वे भविष्य में बहुत दूर देखते समय भ्रमित हो जाते हैं।

नया समाधान: शोधकर्ताओं ने हाइपरबोलिक डीप लर्निंग का उपयोग किया।

रूपक: एक सैडल (saddle) या प्रिंगल्स चिप (Pringle chip) की कल्पना करें। यह आकार बाहर की ओर मुड़ा हुआ होता है। एक सैडल पर, आपके पास शाखाओं को बिना भीड़भाड़ के फैलाने के लिए बहुत अधिक जगह होती है।
यह कैसे काम करता है: यह नया मॉडल एक सपाट स्थान के बजाय एक घुमावदार स्थान (प्रिंगल्स चिप की तरह) में "सोचता" है। यह इसे भूजल डेटा की जटिल, पदानुक्रमित परतों को बेहतर ढंग से व्यवस्थित करने की अनुमति देता है। यह छोटे, तत्काल उतार-चढ़ाव को देखते हुए भी दीर्घकालिक रुझानों की "बड़ी तस्वीर" देख सकता है।

भाग 3: दौड़ (मॉडल्स का परीक्षण)

शोधकर्ताओं ने अपने नए "हाइपरबोलिक ब्रेन" को दो अन्य लोकप्रिय कंप्यूटर मॉडल्स के खिलाफ एक दौड़ में खड़ा किया:

CNN-BiLSTM-GRU: एक भारी-भरकम, हाइब्रिड मॉडल जो अतीत और भविष्य दोनों के डेटा को देखकर पैटर्न सीखने की कोशिश करता है।
TimesNet: एक आधुनिक मॉडल जो टाइम सीरीज़ को एक 2D इमेज की तरह देखता है ताकि दोहराए जाने वाले पैटर्न मिल सकें।

रेस ट्रैक: उन्होंने 1 महीना, 2 महीने, 3 महीने, 4 महीने और 5 महीने आगे के भूजल स्तर की भविष्यवाणी करने के लिए मॉडल्स का परीक्षण किया।

परिणाम:

अल्पकालिक (1 महीना आगे): सभी मॉडल्स ने ठीक प्रदर्शन किया, लेकिन हाइपरबोलिक मॉडल सबसे तेज़ और सबसे सटीक था।
दीर्घकालिक (5 महीने आगे): यहीं पर अन्य मॉडल्स लड़खड़ा गए। जैसे-जैसे भविष्यवाणी दूर होती गई, "सपाट" मॉडल्स बड़ी और बड़ी गलतियाँ करने लगे (जैसे सड़क से उतरती हुई कार)।
विजेता: हाइपरबोलिक डीप लर्निंग मॉडल सड़क पर टिका रहा। 5 महीने के निशान पर भी, इसने अन्य मॉडल्स की तुलना में अपनी सटीकता बहुत बेहतर बनाए रखी। कठिन भविष्यवाणी होने पर भी इसने अपना "धैर्य" नहीं खोया।

भाग 4: प्रमाण (क्या यह वास्तव में काम कर गया?)

शोधकर्ताओं ने केवल यह नहीं कहा कि "यह अच्छा दिखता है।" उन्होंने सख्त सांख्यिकीय परीक्षण चलाए (जैसे स्कोर चेक करने वाला रेफरी):

"विलकॉक्सन टेस्ट" (Wilcoxon Test): इसने पुष्टि की कि हाइपरबोलिक मॉडल केवल भाग्यशाली नहीं था; इसकी सफलता सांख्यिकीय रूप से महत्वपूर्ण थी। यह वास्तव में बेहतर था।
"स्कैटर प्लॉट" (Scatter Plot): एक ऐसे ग्राफ की कल्पना करें जहाँ सटीक भविष्यवाणी एक सीधी विकर्ण रेखा (diagonal line) है। हाइपरबोलिक मॉडल के बिंदु, 5-महीने की भविष्यवाणियों के लिए भी, उस रेखा के बहुत करीब रहे। अन्य मॉडल्स के बिंदु रेखा से दूर बिखरने लगे।

सारांश

यह शोध पत्र भूजल के लिए एक बेहतर 'क्रिस्टल बॉल' (भविष्य दिखाने वाला यंत्र) बनाने के बारे में है।

चरण 1: उन्होंने सबसे अच्छे "खाली स्थान भरने" वाले तरीके (KalmanUCM) का उपयोग करके टूटे हुए डेटा रिकॉर्ड को ठीक किया।
चरण 2: उन्होंने एक नया AI दिमाग बनाया जो एक सपाट स्थान के बजाय एक घुमावदार, "सैडल-आकार" के स्थान (Hyperbolic) में सोचता है।
परिणाम: यह नया दिमाग भविष्य (5 महीने तक) में भूजल स्तर की भविष्यवाणी करने में बहुत बेहतर है और अपनी सटीकता नहीं खोता है, जिससे यह अधूरे डेटा के साथ जल संसाधनों के प्रबंधन के लिए एक शक्तिशाली उपकरण बन जाता है।

तकनीकी सारांश: हाइपरबोलिक डीप लर्निंग का उपयोग करके लुप्त डेटा अनिश्चितता के तहत भूजल पूर्वानुमान

समस्या विवरण
भूजल स्तर (GWL) का पूर्वानुमान अनुकूलन योग्य एक्विफर प्रबंधन के लिए महत्वपूर्ण है, लेकिन यह दो निरंतर तकनीकी चुनौतियों का सामना करता है: अवलोकन संबंधी अंतराल के कारण अपूर्ण निगरानी रिकॉर्ड और विस्तारित पूर्वानुमान क्षितिजों पर भविष्यवाणियों में संचित होने वाली अनिश्चितता। पारंपरिक समय-श्रृंखला दृष्टिकोण (जैसे, ARIMA) अक्सर भूजल प्रणालियों में अंतर्निहित गैर-रेखीय, बहु-पैमाने की अंतःक्रियाओं को पकड़ने में विफल रहते हैं। जबकि LSTM और GRU जैसे डीप लर्निंग (DL) मॉडलों ने प्रदर्शन में सुधार किया है, वे आमतौर पर यूक्लिडियन स्पेस (Euclidean space) में कार्य करते हैं, जो हाइड्रोलॉजिकल गतिकी की पदानुक्रमित और स्केल-फ्री संरचनाओं का कुशलतापूर्वक प्रतिनिधित्व नहीं कर सकते हैं। इसके अलावा, मौजूदा अध्ययन डेटा इम्प्यूटेशन (imputation) को बिना यह व्यवस्थित रूप से मूल्यांकन किए कि पुनर्निर्माण रणनीतियाँ समय-श्रृंखला की संरचनात्मक अखंडता या डाउनस्ट्रीम मल्टी-होराइजन पूर्वानुमान स्थिरता को कैसे प्रभावित करती हैं, एक नियमित प्रीप्रोसेसिंग चरण के रूप में देखते हैं।

कार्यप्रणाली
यह अध्ययन इष्टतम लुप्त-डेटा पुनर्निर्माण के साथ हाइपरबोलिक डीप रिप्रजेंटेशन लर्निंग को संयोजित करने वाला एक एकीकृत ढांचा प्रस्तावित करता है। कार्यप्रणाली चार चरणों में आगे बढ़ती है:

डेटा पुनर्निर्माण और इम्प्यूटेशन:
एलज़िग प्रांत, तुर्की (1978-2015) के तीन निगरानी कुओं से प्राप्त मासिक GWL डेटा का विश्लेषण किया गया। चार इम्प्यूटेशन रणनीतियों का मूल्यांकन किया गया: सीज़नल इंटरपोलेशन (Seasonal Interpolation), कलमन अनऑब्जर्व्ड कंपोनेंट्स मॉडल (KalmanUCM), k-निकटतम पड़ोसी (kNN), और रैंडम फॉरेस्ट (RF)। केवल पॉइंटवाइज एरर पर निर्भर रहने वाले मानक दृष्टिकोणों के विपरीत, एक बहु-मानदंड मूल्यांकन ढांचे का उपयोग किया गया। इसने पुनर्निर्माण की गुणवत्ता का मूल्यांकन त्रुटि परिमाण (RMSE, MAE), वेरिएंस संरक्षण, ऑटोकोरिलेशन विरूपण (लैग 1 और 12), स्पेक्ट्रल निरंतरता और ट्रेंड विचलन के आधार पर किया। KalmanUCM विधि को इष्टतम चुना गया क्योंकि इसमें संख्यात्मक सटीकता और श्रृंखला की अंतर्निहित अस्थायी संरचना (वेरिएंस और ऑटोकोरिलेशन) दोनों को बनाए रखने की बेहतर क्षमता थी।
हाइपरबोलिक डीप लर्निंग आर्किटेक्चर:
मुख्य योगदान एक पूर्वानुमान मॉडल है जिसे पोइनकेयर बॉल मैनिफोल्ड (ऋणात्मक वक्रता वाला हाइपरबोलिक ज्यामिति का एक मॉडल) के भीतर तैयार किया गया है। यूक्लिडियन नेटवर्क के विपरीत, यह आर्किटेक्चर हाइपरबोलिक ऑपरेशंस (मोबियस एडिशन, एक्सपोनेंशियल और लॉगरिदमिक मैप्स) का लाभ उठाकर अस्थायी निर्भरताओं को एम्बेड करता है। मॉडल को भूजल गतिकी में अंतर्निहित पदानुक्रमित और बहु-पैमाने के संबंधों को यूक्लिडियन स्पेस की तुलना में अधिक कुशलता से पकड़ने के लिए डिज़ाइन किया गया है। नेटवर्क संरचना में इनपुट वेक्टर्स को हाइपरबोलिक मैनिफोल्ड में एम्बेड करना, हाइपरबोलिक लीनियर ट्रांसफॉर्मेशन और पॉइंटवाइज नॉन-लीनियरिटी लागू करना, और आउटपुट को भविष्यवाणी के लिए वापस यूक्लिडियन स्पेस में प्रोजेक्ट करना शामिल है।
बेंचमार्किंग और प्रयोगात्मक डिजाइन:
प्रस्तावित हाइपरबोलिक डीप लर्निंग (HDL) मॉडल को दो स्थापित यूक्लिडियन आर्किटेक्चर: एक हाइब्रिड CNN-BiLSTM-GRU और TimesNet के विरुद्ध बेंचमार्क किया गया। सभी मॉडलों को स्लाइडिंग-विंडो दृष्टिकोण का उपयोग करके मल्टी-होराइजन पूर्वानुमान ( $t+1$ से $t+5$ लीड टाइम) के लिए उसी पुनर्निर्मित डेटासेट पर प्रशिक्षित किया गया। k-फोल्ड क्रॉस-वैलिडेशन के माध्यम से हाइपरपैरामीटर्स को अनुकूलित किया गया।
सांख्यिकीय सत्यापन:
प्रदर्शन का मूल्यांकन मानक हाइड्रोलॉजिकल मेट्रिक्स (RMSE, MAE, NSE, KGE, PBIAS) और कठोर सांख्यिकीय परीक्षणों का उपयोग करके किया गया। मॉडलों के बीच त्रुटि अंतर की सांख्यिकीय सार्थकता का आकलन करने के लिए विलकॉक्सन साइन्ड-रैंक टेस्ट का उपयोग किया गया, जबकि पियर्सन सहसंबंध और रेजिडुअल डायग्नोस्टिक्स ने सहमति और बायस का मूल्यांकन किया।

प्रमुख परिणाम

इम्प्यूटेशन प्रदर्शन: KalmanUCM विधि ने अन्य इम्प्यूटेशन तकनीकों को लगातार पछाड़ते हुए, न्यूनतम RMSE और MAE प्राप्त किया, जबकि लगभग पूर्ण वेरिएंस संरक्षण (VarRatio $\approx$ 1.0) और ऑटोकोरिलेशन संरचनाओं के न्यूनतम विरूपण को बनाए रखा। इसके विपरीत, kNN इम्प्यूटेशन ने नकारात्मक NSE मान दिए, जो इस डेटासेट के लिए इसकी खराब उपयुक्तता को दर्शाता है।
पूर्वानुमान सटीकता: HDL मॉडल ने तीनों कुओं और सभी पूर्वानुमान क्षितिजों में लगातार उच्चतम भविष्य कहनेवाला सटीकता प्राप्त की।
- $t+1$ पर, HDL मॉडल ने कुयुलु (Kuyulu) के लिए 0.989, युर्तबाशी (Yurtbaşı) के लिए 0.988, और गोज़ेबाशी (Gözebaşı) के लिए 0.972 के NSE मान प्राप्त किए।
- महत्वपूर्ण रूप से, HDL मॉडल ने विस्तारित क्षितिज ( $t+4$ और $t+5$ ) पर उत्कृष्ट स्थिरता प्रदर्शित की। जबकि बेंचमार्क मॉडल (CNN-BiLSTM-GRU और TimesNet) $t+5$ पर महत्वपूर्ण त्रुटि संचय और प्रदर्शन गिरावट प्रदर्शित करते हैं, HDL मॉडल उच्च NSE मान और कम RMSE बनाए रखता है। उदाहरण के लिए, कुयुलु कुएं के लिए $t+5$ पर, HDL ने 0.838 का NSE प्राप्त किया, जबकि CNN-BiLSTM-GRU के लिए यह 0.677 था।
सांख्यिकीय सार्थकता: विलकॉक्सन साइन्ड-रैंक टेस्ट ने पुष्टि की कि HDL मॉडल द्वारा प्राप्त त्रुटि कमी बेंचमार्क की तुलना में सांख्यिकीय रूप से महत्वपूर्ण थी। पियर्सन सहसंबंध गुणांक सभी क्षितिजों में उच्च (अक्सर >0.90) रहे, और रेजिडुअल विश्लेषण ने नियंत्रित बायस और फैलाव का संकेत दिया।

महत्व और दावे
यह शोध दावा करता है कि यह अध्ययन भूजल स्तर पूर्वानुमान के लिए हाइपरबोलिक डीप लर्निंग के शुरुआती अनुप्रयोगों में से एक है। इसका प्राथमिक महत्व इस बात को प्रदर्शित करने में निहित है कि हाइपरबोलिक रिप्रजेंटेशन लर्निंग भूजल प्रणालियों की विशिष्ट पदानुक्रमित अस्थायी निर्भरताओं और विलंबित प्रतिक्रियाओं को पकड़ने के लिए एक संरचनात्मक रूप से कुशल तंत्र प्रदान करता है।

लेखक तर्क देते हैं कि बेहतर प्रदर्शन केवल बेहतर पैरामीटर ट्यूनिंग के कारण नहीं है, बल्कि यह हाइपरबोलिक स्पेस के ज्यामितीय गुणों से उपजा है, जो जटिल, बहु-पैमाने की अस्थायी संरचनाओं के कम-विकृति एम्बेडिंग की अनुमति देता है। संरचनात्मक रूप से सुसंगत डेटा पुनर्निर्माण को ज्यामिति-जागरूक डीप लर्निंग के साथ एकीकृत करके, प्रस्तावित ढांचा डेटा-सीमित या अपूर्ण अवलोकन स्थितियों में मल्टी-स्टेप पूर्वानुमान विश्वसनीयता में सुधार के लिए एक मजबूत मार्ग प्रदान करता है। अध्ययन निष्कर्ष निकालता है कि यह दृष्टिकोण हाइड्रोलॉजिकल मॉडलिंग के लिए एक आशाजनक, वैचारिक रूप से अभिनव दिशा प्रदान करता है, विशेष रूप से वहां जहां दीर्घकालिक निर्भरताएं और लुप्त डेटा महत्वपूर्ण बाधाएं हैं।