A Hybrid Multi-scale Convolutional Neural Network-Long Short-Term Memory Model Incorporating Squeeze Excitation Attention for Hourly Air Quality Index Prediction

वायु प्रदूषण एक शांत, परिवर्तनशील शक्ति है जो शहरों के स्वास्थ्य और उनमें रहने वाले लोगों की सुरक्षा को आकार देती है। इस अदृश्य खतरे को प्रबंधित करने के लिए, वैज्ञानिक वायु गुणवत्ता सूचकांक (AQI) नामक एक एकल संख्या पर भरोसा करते हैं। यह सूचकांक एक दैनिक रिपोर्ट कार्ड की तरह कार्य करता है, जो धुएं, धूल और गैसों के जटिल मिश्रण को एक ऐसे स्कोर में बदल देता है जो हमें बताता है कि क्या हवा सांस लेने के लिए सुरक्षित है। हालाँकि, हवा स्थिर नहीं रहती; यह मौसम, यातायात और औद्योगिक गतिविधियों द्वारा संचालित होकर हर घंटे बदलती रहती है। इन परिवर्तनों की भविष्यवाणी करना कठिन है क्योंकि इसमें शामिल कारक अव्यवस्थित और गैर-रेखीय (non-linear) तरीकों से परस्पर क्रिया करते हैं। पारंपरिक तरीके अक्सर पूरी तस्वीर देखने में संघर्ष करते हैं, वे उन सूक्ष्म पैटर्न को पकड़ने में विफल रहते हैं जो प्रदूषण के अचानक उछाल या आकाश के तेजी से साफ होने का संकेत देते हैं। इसे हल करने के लिए, शोधकर्ताओं ने कंप्यूटर विज्ञान की एक शाखा की ओर रुख किया है जिसे 'डीप लर्निंग' कहा जाता है, जहाँ कंप्यूटर प्रोग्राम डेटा की विशाल मात्रा में पैटर्न पहचानना सीखते हैं, ठीक वैसे ही जैसे एक मानव मस्तिष्क अनुभव से सीखता है।

हुनान प्रांत के यियैंग शहर पर केंद्रित एक हालिया अध्ययन में, शोधकर्ताओं की एक टीम ने वायु गुणवत्ता के लिए एक बेहतर 'क्रिस्टल बॉल' (भविष्य बताने वाला यंत्र) बनाने का लक्ष्य रखा। वे एक ऐसा सिस्टम बनाना चाहते थे जो पिछले दो वर्षों के डेटा का उपयोग करके, उच्च सटीकता के साथ प्रति घंटा AQI का पूर्वानुमान लगा सके। हुआवेई ज़ू और सहयोगियों के नेतृत्व में टीम ने एक नया हाइब्रिड कंप्यूटर मॉडल विकसित किया जो वायुमंडल के व्यवहार की नकल करने के लिए तीन अलग-अलग डिजिटल उपकरणों को जोड़ता है। सबसे पहले, उन्होंने एक मल्टी-स्केल कनवल्शनल न्यूरल नेटवर्क का उपयोग किया, जो एक प्रकार का प्रोग्राम है जिसे डेटा को एक साथ विभिन्न "लेंसों" के माध्यम से देखने के लिए डिज़ाइन किया गया है। कल्पना कीजिए कि आप एक वाइड-एंगल लेंस, एक टेलीफोटो लेंस और एक ज़ूम लेंस के माध्यम से एक परिदृश्य को एक साथ समझने की कोशिश कर रहे हैं; यह उपकरण समय के लिए भी ऐसा ही करता है, जो प्रदूषण डेटा में अल्पकालिक उछाल, मध्यम अवधि के रुझान और दीर्घकालिक चक्रों को एक साथ पकड़ लेता है।

इसके बाद, टीम ने 'स्क्वीज़-एंड-एक्साइटेशन अटेंशन' (Squeeze-and-Excitation attention) नामक एक तंत्र पेश किया। यह कंप्यूटर द्वारा एकत्र की गई जानकारी के लिए एक स्मार्ट फ़िल्टर के रूप में कार्य करता है। डेटा के तूफान में, हर जानकारी का हर क्षण समान रूप से महत्वपूर्ण नहीं होता है। यह 'अटेंशन मैकेनिज्म' मॉडल को रुकने, यह मूल्यांकन करने की अनुमति देता है कि वर्तमान में कौन से कारक प्रदूषण के स्तर को संचालित कर रहे हैं, और शोर (noise) को अनदेखा करते हुए उन संकेतों को बढ़ाता है। अंत में, सिस्टम इस परिष्कृत जानकारी को एक 'लॉन्ग शॉर्ट-टर्म मेमोरी' (LSTM) नेटवर्क में भेजता है। मॉडल का यह हिस्सा अतीत को याद रखने में विशिष्ट है; यह इस इतिहास को थामे रखता है कि वायु गुणवत्ता समय के साथ कैसे बदली है, जिससे यह समझने में मदद मिलती है कि कैसे एक ठंडी सुबह एक धुंधली दोपहर का कारण बन सकती है, या कैसे बारिश का एक सप्ताह हवा को साफ कर सकता है। इन तीन घटकों को एक साथ बुनकर, शोधकर्ताओं ने एक ऐसा मॉडल बनाया जो न केवल डेटा को देख रहा है, बल्कि उसके द्वारा बताई जा रही कहानी को समझ भी रहा है।

शोधकर्ताओं ने जनवरी 2023 से दिसंबर 2024 तक यियैंग शहर के वास्तविक दुनिया के डेटा का उपयोग करके अपने नए मॉडल का पुराने, सरल तरीकों के विरुद्ध परीक्षण किया। उन्होंने कंप्यूटर में महीन कणों (fine particulate matter) और कार्बन मोनोऑक्साइड जैसे प्रदूषकों के ऐतिहासिक रिकॉर्ड के साथ-साथ तापमान, हवा और वायुमंडलीय दबाव जैसे मौसम संबंधी डेटा डाले। परिणाम आश्चर्यजनक थे। नए हाइब्रिड मॉडल ने मानक दृष्टिकोणों को पछाड़ दिया, और बुनियादी मॉडलों की तुलना में अपनी भविष्यवाणी त्रुटियों को लगभग एक चौथाई कम कर दिया। इसने 1.0 के पैमाने पर 0.96 का स्कोर प्राप्त किया, जहाँ 1.0 एक पूर्ण मिलान है, जिसका अर्थ है कि इसके पूर्वानुमान वास्तव में हवा में जो हुआ उसके बेहद करीब थे। मॉडल विशेष रूप से चरम स्थितियों को संभालने में सक्षम रहा, जिसने सर्दियों के खतरनाक प्रदूषण के शिखर और गर्मियों के स्वच्छ, निम्न मानों, दोनों की सटीक भविष्यवाणी की।

अध्ययन ने यह भी खुलासा किया कि यियैंग में वायु गुणवत्ता पूरे वर्ष कैसे व्यवहार करती है। डेटा ने एक स्पष्ट लय दिखाई: प्रदूषण का स्तर सर्दियों में उच्चतम होता है, जो अक्सर 100 से अधिक हो जाता है, जिसका मुख्य कारण ठंडे तापमान हैं जो धुएं को जमीन के पास रोक लेते हैं और हीटिंग के लिए ईंधन का जलना है। इसके विपरीत, गर्मियों की हवा काफी स्वच्छ होती है, जिसमें औसत स्कोर 40 से नीचे गिर जाता है, जिसका श्रेय भारी बारिश को जाता है जो प्रदूषकों को धो देती है और बढ़ती गर्मी को मिलता है जो उन्हें फैलाने में मदद करती है। कंप्यूटर मॉडल ने बिना कैलेंडर की तारीखों के स्पष्ट रूप से बताए बिना, स्वाभाविक रूप से इन मौसमी नियमों को सीख लिया। जब शोधकर्ताओं ने मॉडल से पूछा कि कौन से कारक सबसे अधिक महत्वपूर्ण थे, तो इसने उन्हीं चीजों की ओर इशारा किया जिनकी एक मानव विशेषज्ञ उम्मीद करेगा: महीन धूल कणों की सांद्रता, तापमान और वायुमंडलीय दबाव। मॉडल ने पुष्टि की कि जब ये विशिष्ट संख्याएँ बढ़ती या घटती हैं, तो वायु गुणवत्ता भी उसी के अनुसार चलती है।

विभिन्न गति से पैटर्न देखने की क्षमता, महत्वपूर्ण चीजों पर ध्यान केंद्रित करने वाली बुद्धिमत्ता, और इतिहास से सीखने वाली स्मृति को जोड़कर, यह नया दृष्टिकोण शहर योजनाकारों और सार्वजनिक स्वास्थ्य अधिकारियों के लिए एक शक्तिशाली उपकरण प्रदान करता है। यह केवल भविष्य का अनुमान नहीं लगाता; यह वायुमंडल की जटिल, परिवर्तनशील वास्तविकता के आधार पर इसकी गणना करता है। यह अध्ययन प्रदर्शित करता है कि जब हम कंप्यूटरों को दुनिया को देखने के लिए सही उपकरण देते हैं, तो वे हमें हमारी हवा में अदृश्य खतरों को अभूतपूर्व स्पष्टता के साथ देखने में मदद कर सकते हैं, जिससे प्रदूषण के स्वास्थ्य जोखिमों से समुदायों की रक्षा के लिए एक विश्वसनीय मार्गदर्शक प्राप्त होता है।