Forecasting Climate and Weather Variability Using AI-Based Hybrid LSTM and XGBoost Model
यह शोध पत्र पूर्वी इथियोपिया में प्रमुख मौसम संबंधी मापदंडों का सटीक पूर्वानुमान लगाने के लिए LSTM और XGBoost मॉडलों को एकीकृत करने वाले एक हाइब्रिड AI ढांचे का प्रस्ताव और सत्यापन करता है, जो स्टैंडअलोन मॉडलों की तुलना में बेहतर प्रदर्शन प्रदर्शित करता है और जलवायु परिवर्तनशीलता के विरुद्ध आपदा जोखिम प्रबंधन और प्रारंभिक चेतावनी प्रणालियों को बढ़ाने के लिए महत्वपूर्ण अंतर्दृष्टि प्रदान करता है।
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
इथिया के पूर्वी छोर पर, जहाँ भूमि शुष्क निचले इलाकों से ऊंचे पठारों की ओर बढ़ती है, मौसम जीवन की लय को निर्धारित करने वाली एक शक्ति है। यहाँ, दिरे डावा, हरार और जिजीगा जैसे क्षेत्रों में, समुदाय अपनी कृषि और जल आपूर्ति को बनाए रखने के लिए वर्षा के अनुमानित आगमन और ऋतुओं के सौम्य परिवर्तन पर बहुत अधिक निर्भर करते हैं। फिर भी, दुनिया के इस हिस्से में जलवायु तेजी से अनिश्चित होती जा रही है। सूखे लंबे खिंचते जा रहे हैं, लू (हीटवेव) अधिक तीव्र होती जा रही है, और बाढ़ अचानक हिंसा के साथ आती है, जो खाद्य सुरक्षा और आर्थिक स्थिरता के लिए खतरा पैदा करती है। दशकों से, वैज्ञानिक वायुमंडल के व्यवहार का अनुकरण करने वाले जटिल भौतिक मॉडलों का उपयोग करके इन बदलावों की भविष्यवाणी करने का प्रयास करते रहे हैं। हालाँकि, मौसम एक अराजक प्रणाली है, जो गैर-रेखीय (नॉन-लीनियर) घुमावों से भरी है जिसे पारंपरिक गणित अक्सर पकड़ने में संघर्ष करता है। हाल के वर्षों में, एक अलग दृष्टिकोण उभरा है: इतिहास से सीखने के लिए कृत्रिम बुद्धिमत्ता (एआई) का उपयोग करना। मौसम को कठोर समीकरणों में जबरन फिट करने के बजाय, ये प्रणालियाँ अतीत के विशाल डेटा से पैटर्न पहचानने के लिए अध्ययन करती हैं, ठीक उसी तरह जैसे एक अनुभवी किसान जानता है कि पक्षियों के उड़ने के तरीके से तूफान आने वाला है, लेकिन लाखों डेटा बिंदुओं को सेकंडों में संसाधित करने की क्षमता के साथ।
जिम्मा इंस्टीट्यूट ऑफ टेक्नोलॉजी के शोधकर्ताओं की एक टीम ने इन संवेदनशील इथियोपियाई क्षेत्रों में मौसम की भविष्यवाणी करने के लिए दो शक्तिशाली प्रकार की कृत्रिम बुद्धिमत्ता को मिलाकर इस अवधारणा को आगे बढ़ाया है। उन्होंने एक हाइब्रिड दृष्टिकोण पर ध्यान केंद्रित किया जो दो अलग-अलग विधियों की शक्तियों को जोड़ता है। पहली विधि, जिसे 'लॉन्ग शॉर्ट-टर्म मेमोरी' (LSTM) के रूप में जाना जाता है, एक प्रकार का कंप्यूटर प्रोग्राम है जिसे समय के साथ अनुक्रमों (सीक्वेंस) को याद रखने के लिए डिज़ाइन किया गया है। यह यह समझने में उत्कृष्ट है कि आज का मौसम अतीत की स्थितियों से कैसे संबंधित है, यह पहचानते हुए कि मार्च में सूखा दौर जून में होने वाली वर्षा को प्रभावित कर सकता है। दूसरी विधि, जिसे 'एक्सट्रीम ग्रेडिएंट बूस्टिंग' कहा जाता है, विभिन्न चरों (वेरिएबल्स) के बीच संबंध खोजने के लिए एक मजबूत उपकरण है, जैसे कि आर्द्रता, हवा की गति और तापमान कैसे मिलकर एक विशिष्ट परिणाम उत्पन्न करते हैं। इन दोनों प्रणालियों को आपस में बुनकर, शोधकर्ताओं ने एक ऐसा मॉडल बनाया जो न केवल अतीत को याद रख सकता था, बल्कि यह भी तुरंत गणना कर सकता था कि विभिन्न मौसम कारकों के बीच जटिल, गैर-रेखीय संबंध क्या हैं ताकि यह भविष्यवाणी की जा सके कि आगे क्या होगा।
इस अध्ययन में 1990 से 2024 तक के चौंतीस वर्षों के ऐतिहासिक मौसम डेटा का उपयोग किया गया, जो इन तीन शहरों में जमीनी स्टेशनों और उपग्रह अवलोकनों से एकत्र किया गया था। टीम ने इस जानकारी को अपने हाइब्रिड सिस्टम में डाला, और इसे चार महत्वपूर्ण तत्वों की भविष्यवाणी करने के लिए कहा: वर्षा, पृथ्वी की सतह का तापमान (अर्थ स्किन टेम्परेचर), सापेक्ष आर्द्रता और हवा की गति। इसके बाद उन्होंने अपने नए संयुक्त मॉडल के प्रदर्शन की तुलना दो अलग-अलग विधियों से की जिनका उपयोग अलग-अलग किया गया था। परिणाम आश्चर्यजनक थे। हाइब्रिड मॉडल ने उस स्तर की सटीकता प्रदर्शित की जिसे स्टैंडअलोन मॉडल नहीं छू सके, विशेष रूप से जलवायु डेटा की जटिल, समय-निर्भर प्रकृति से निपटने के दौरान। वर्षा की भविष्यवाणी करने के कार्य में, संयुक्त प्रणाली ने वास्तविक देखे गए डेटा के साथ लगभग पूर्ण सहसंबंध प्राप्त किया, जिसमें एक सांख्यिकीय स्कोर यह दर्शाता है कि इसने वर्षा के पैटर्न में लगभग सभी विविधताओं की व्याख्या की। तापमान के लिए, मॉडल की भविष्यवाणियाँ इतनी सटीक थीं कि त्रुटि का मार्जिन लगभग नगण्य था, जो वास्तविक दुनिया के अवलोकनों के साथ ऐसी निष्ठा के साथ मेल खाता है जो सुझाव देता है कि इसने ताप विनिमय के अंतर्निर्हित भौतिकी को लगभग त्रुटिहीन रूप से पकड़ लिया है।
जबकि मॉडल ने बारिश और तापमान की भविष्यवाणी करने में चमक दिखाई, शोधकर्ताओं ने नोट किया कि हवा की गति एक अधिक चुनौतीपूर्ण चर बनी हुई है। हवा का व्यवहार अपनी अराजक प्रकृति और तूफानों के दौरान चरम बाहरी कारकों (आउटलेयर्स) की उपस्थिति के कारण पकड़ में आना कठिन है। इस उन्नत हाइब्रिड दृष्टिकोण के बावजूद, मॉडल ने अन्य चरों की तुलना में हवा के लिए उच्च त्रुटि दर दिखाई, जो यह संकेत देता है कि हालांकि यह प्रणाली अधिकांश जलवायु संकेतकों के लिए अत्यधिक प्रभावी है, इस क्षेत्र में हवा की विशिष्ट गतिशीलता को अभी भी और अधिक परिष्कृत करने की आवश्यकता है। हालाँकि, अन्य मापदंडों के लिए, सुधार पर्याप्त था। हाइब्रिड मॉडल ने व्यक्तिगत विधियों की तुलना में भविष्यवाणी त्रुटियों को काफी कम कर दिया, जिससे यह सिद्ध हुआ कि अतीत के अनुक्रम को याद रखने और वर्तमान संबंधों की गणना करने का संयोजन एक अधिक विश्वसनीय पूर्वानुमान बनाता है। सतह के दबाव और आर्द्रता के मामले में, मॉडल ने असाधारण कौशल के साथ प्रदर्शन किया, जो प्रमुख मौसम घटनाओं से पहले वायुमंडलीय स्थितियों में सूक्ष्म बदलावों को पकड़ लेता है।
इन निष्कर्षों के निहितार्थ अकादमिक रुचि से कहीं आगे तक फैले हुए हैं। एक ऐसे क्षेत्र में जहाँ एक विफल होती वर्षा ऋतु अकाल का कारण बन सकती है और अचानक आई बाढ़ हजारों लोगों को विस्थापित कर सकती है, इन घटनाओं की उच्च सटीकता के साथ भविष्यवाणी करने की क्षमता अस्तित्व का मामला है। शोधकर्ताओं का सुझाव है कि यह हाइब्रिड ढांचा प्रारंभिक चेतावनी प्रणालियों की रीढ़ बन सकता है, जिससे स्थानीय अधिकारियों और किसानों को सूखे, लू या भारी बाढ़ के लिए तैयारी करने हेतु आवश्यक समय मिल सके। इन जलवायु विसंगतियों का इतनी सटीकता के साथ पूर्वानुमान लगाने वाले उपकरण प्रदान करके, यह अध्ययन अधिक लचीलेपन की ओर एक मार्ग प्रदान करता है। यह दर्शाता है कि मशीनों को मौसम के लंबे इतिहास से सीखने के लिए प्रशिक्षित करके, हम भविष्य की अनिश्चितताओं को बेहतर ढंग से नेविगेट कर सकते हैं, जिससे डेटा को बढ़ते जलवायु उतार-चढ़ाव के विरुद्ध एक ढाल में बदला जा सके।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।