Data-Driven Spatial Weight Matrices for Space-Time Autoregressive Models: A Similarity-Based Framework with an Application to Global Temperature Dynamics

कल्पना कीजिए कि आप यह अनुमान लगाने की कोशिश कर रहे हैं कि लोगों की एक भीड़ एक विशाल, अराजक शॉपिंग मॉल में कैसे आगे बढ़ेगी। उनके रास्ते का अंदाज़ा लगाने का पुराना तरीका यह है कि एक नक्शा देखें और यह मान लें कि लोग केवल उन्हीं लोगों से टकराते हैं या उनका अनुसरण करते हैं जो उनके ठीक बगल में खड़े हैं। यदि आप जूता स्टोर में हैं, तो आप केवल बगल वाले कपड़ों के स्टोर में मौजूद लोगों की परवाह करते हैं। वैज्ञानिक इस तरह से उन चीजों का अध्ययन करने के लिए पारंपरिक रूप से उपयोग करते हैं जो दुनिया भर में होती हैं, जैसे मौसम या बीमारी। वे नक्शे पर रेखाएं खींचते हैं और कहते हैं, "यदि आप पड़ोसी हैं, तो आप जुड़े हुए हैं।"

लेकिन क्या होगा अगर वह नक्शा आपसे झूठ बोल रहा हो? क्या होगा अगर जूते के स्टोर में मौजूद व्यक्ति वास्तव में तीन मंजिल ऊपर बेकरी में किसी व्यक्ति के साथ बिल्कुल सटीक लय में नाच रहा हो, जबकि वह अपने ठीक बगल वाले व्यक्ति को अनदेखा कर रहा हो? डेटा विज्ञान की दुनिया में, यह "भौगोलिक पड़ोसियों" (स्थान में करीब रहने वाले लोग) और "सांख्यिकीय पड़ोसियों" (वे लोग जो समय के साथ एक जैसा व्यवहार करते हैं) के बीच का अंतर है। दशकों से, शोधकर्ताओं ने यह माना है कि मानचित्र पर करीब होने का मतलब है कि वे एक-दूसरे को प्रभावित करते हैं। लेकिन कभी-कभी, वास्तविक संबंध इस बारे में नहीं होता कि आप कितनी दूर हैं, बल्कि इस बारे में होता है कि आपकी कहानी कितनी समान है। यह शोध पत्र इसी विचार में गहराई से उतरता है, और एक सरल प्रश्न पूछता है: यदि हम नक्शे को देखना बंद कर दें और व्यवहार को देखना शुरू कर दें, तो क्या हम अपने ग्रह के भविष्य का बहुत बेहतर अनुमान लगा सकते हैं?

---

नक्शा बनाम दर्पण: दुनिया को देखने का एक नया तरीका

लंबे समय से, पृथ्वी के तापमान का अध्ययन करने वाले वैज्ञानिक "स्पेशियल वेट मैट्रिक्स" (spatial weight matrix) नामक एक उपकरण का उपयोग करते रहे हैं। इसे एक विशाल नियम पुस्तिका के रूप में सोचें जो कंप्यूटर को यह बताती है कि एक देश को दूसरे देश की कितनी बात सुननी चाहिए। पारंपरिक नियम पुस्तिका बहुत कठोर है: यह कहती है, "आप केवल अपने तत्काल पड़ोसियों की सुनते हैं।" यदि फ्रांस जर्मनी के बगल में है, तो वे बात करते हैं। यदि फ्रांस जापान से दूर है, तो वे अजनबी हैं। यह ऐसा है जैसे यह मानना कि आप केवल अपने लंच टेबल पर बैठे लोगों से सीखते हैं, कभी भी दुनिया के दूसरी ओर बैठे अपने पसंदीदा यूट्यूबर से नहीं।

इस शोध पत्र के लेखक, एडुआर्डो ओट्रेंटो (Edoardo Otranto) का सुझाव है कि यह पुरानी नियम पुस्तिका कहानी को समझने में चूक रही है। उनका तर्क है कि देश अक्सर इसलिए तालमेल में नहीं चलते क्योंकि वे पड़ोसी हैं, बल्कि इसलिए क्योंकि वे अपने तापमान परिवर्तन के "व्यक्तित्व" में समान हैं। हो सकता है कि यूरोप के एक देश और एशिया के एक देश दोनों हर साल बिल्कुल एक ही गति से गर्म होते हों, भले ही वे महासागरों के पार हों। यदि हम उनके व्यवहार के कारण उन्हें पड़ोसी मानते हैं, तो हमारे पूर्वानुमान कहीं अधिक सटीक होने चाहिए।

प्रयोग: "वाइब" (Vibe) के आधार पर दुनिया का क्लस्टरिंग करना

इसकी जांच करने के लिए, शोधकर्ता ने एक विशाल डेटासेट एकत्र किया: 168 देशों के लिए 122 वर्षों के तापमान रिकॉर्ड (1901 से 2022 तक)। यह 20,000 से अधिक डेटा बिंदु हैं! देशों को उनके स्थान के आधार पर समूहबद्ध करने के बजाय, उन्होंने उन्हें इस आधार पर समूहबद्ध किया कि वे कैसे कार्य करते हैं। उन्होंने यह देखने के लिए तीन अलग-अलग "वाइब चेक" का उपयोग किया कि कौन से देश समान थे:

1. गति की जांच (वार्मिंग दरें): उन्होंने देखा कि प्रत्येक देश कितनी तेजी से गर्म हो रहा है। क्या यह एक धीमी, कोमल वृद्धि है, या एक तीव्र उछाल? उन्होंने पाया कि समान वार्मिंग गति वाले देश अक्सर एक ही समूह में आ गए, चाहे वे पड़ोसी हों या नहीं। उदाहरण के लिए, रूस और जापान "बहुत उच्च" गति से गर्म होने वाले देशों के रूप में सामने आए, जबकि बोलिविया लगभग स्थिर था।
2. रोलरकोस्टर की जांच (तापमान भिन्नता): यह वार्षिक उतार-चढ़ाव को देखता था। क्या तापमान बेतहाशा ऊपर-नीचे होता है, या यह सुचारू है? उन्होंने पाया कि मध्य पूर्व और मध्य एशिया के देशों में अक्सर समान "उबड़-खाबड़" पैटर्न साझा किए जाते हैं, जबकि अन्य देशों के एक बड़े, मिश्रित समूह ने एक "सुचारू" पैटर्न साझा किया।
3. मूड की जांच (परसिस्टेंस पैटर्न): यह सबसे चतुर वाला था। तापमान में कितना परिवर्तन हुआ, इसके बजाय, उन्होंने केवल दिशा को देखा। क्या यह इस वर्ष ऊपर गया या नीचे? उन्होंने "हैमिंग डिस्टेंस" (Hamming distance) नामक एक विशेष गणितीय उपकरण का उपयोग किया (जिसे मूल रूप से कंप्यूटर कोड में त्रुटियों को ठीक करने के लिए बनाया गया था) यह गिनने के लिए कि दो देशों ने गर्म होने या ठंडा होने के बारे में कितनी बार असहमति व्यक्त की। यदि दो देश परिवर्तन की दिशा पर आमतौर पर सहमत होते हैं, तो वे "सांख्यिकीय पड़ोसी" हैं।

बड़ा खुलासा: नक्शा गलत था

एक बार जब उनके पास ये नए समूह बन गए, तो उन्होंने "स्पेस-टाइम ऑटोरेग्रेसिव" (STAR) मॉडल नामक एक नया प्रकार का कंप्यूटर मॉडल बनाया। यह मॉडल एक सुपर-फोरकास्टिंग इंजन की तरह है जो यह अनुमान लगाने की कोशिश करता है कि अगले वर्ष का तापमान क्या होगा, पिछले वर्ष के तापमान और उसके "पड़ोसियों" के साथ क्या हुआ, इसके आधार पर।

उन्होंने दो दौड़ आयोजित कीं:

• रेस A: पुराना मॉडल, जो केवल भौगोलिक पड़ोसियों (नक्शे पर आधारित नियम पुस्तिका) की बात सुनता था।
• रेस B: नए मॉडल, जो "सांख्यिकीय पड़ोसियों" (वाइब-आधारित नियम पुस्तिकाओं) की बात सुनते थे।

परिणाम स्पष्ट थे। नए मॉडल, विशेष रूप से वह मॉडल जिसने "मूड चेक" (हैमिंग डिस्टेंस) का उपयोग किया, तापमान की भविष्यवाणी करने में बहुत बेहतर थे। जब शोधकर्ताओं ने इन मॉडलों का परीक्षण 2001 से 2022 के डेटा पर किया (जिसे मॉडलों ने पहले नहीं देखा था), तो "मूड चेक" मॉडल ने सबसे कम गलतियाँ कीं। इसने पुराने नक्शा-आधारित मॉडल को एक महत्वपूर्ण अंतर से पीछे छोड़ दिया।

यह क्यों मायने रखता है

यह शोध पत्र सुझाव देता है कि जलवायु परिवर्तन जैसी दीर्घकालिक प्रवृत्तियों के लिए, भूगोल यह बताने के लिए सबसे अच्छा भविष्यवक्ता नहीं है कि कौन किसको प्रभावित करता है। वायुमंडलीय धाराएं और महासागरीय पैटर्न दूर के देशों को एक ही धुन पर नचा सकते हैं, जबकि पड़ोसी अपनी अलग चीज़ कर रहे हो सकते हैं। केवल स्थान के बजाय वास्तविक व्यवहार के आधार पर एक "दोस्ती सूची" बनाकर, वैज्ञानिक हमारे भविष्य के जलवायु का पूर्वानुमान लगाने के लिए बेहतर उपकरण बना सकते हैं।

लेखक सावधानीपूर्वक नोट करते हैं कि यह केवल तापमान के लिए एक बार का प्रयोग नहीं है। यह "समानता-आधारित" दृष्टिकोण एक सामान्य रणनीति है। इसका उपयोग यह भविष्यवाणी करने के लिए किया जा सकता है कि बीमारियां कैसे फैलती हैं, अर्थव्यवस्थाएं कैसे गिरती हैं, या सामाजिक रुझान कैसे चलते हैं, जब भी शामिल लोग या स्थान केवल स्थान के बजाय व्यवहार से जुड़े हों। यह शोध पत्र यह दावा नहीं करता है कि इसने जलवायु परिवर्तन को हल कर दिया है, लेकिन यह सुझाव जरूर देता है कि यदि हम दुनिया को समझना चाहते हैं, तो हमें नक्शा देखना बंद करना चाहिए और लय को सुनना शुरू करना चाहिए।