A comparative evaluation of Bayesian inference, fuzzy time series, and adaptive neuro-fuzzy inference systems for predicting the intensity of concurrent drought-pluvial events
यह अध्ययन सिनोप्टिक भविष्यवक्ताओं (synoptic predictors) का उपयोग करके समवर्ती सूखा-वृष्टि (drought-pluvial) घटनाओं की तीव्रता की भविष्यवाणी करने के लिए बेयसियन अनुमान (Bayesian inference), फजी टाइम सीरीज़ (fuzzy time series), और एडेप्टिव न्यूरो-फजी इन्फरेंस सिस्टम्स (adaptive neuro-fuzzy inference systems) का मूल्यांकन करता है, जिसमें यह पाया गया कि इनमें से कोई भी मॉडल सरल निरंतरता (persistence) या जलवायु संबंधी आधार रेखाओं (climatological baselines) से बेहतर प्रदर्शन नहीं करता है क्योंकि वे घटनाओं के द्वि-आयामी वितरण (bimodal distribution) को पकड़ने में असमर्थ हैं, और अंततः यह निष्कर्ष निकालता है कि CDPE की तीव्रता समकालीन मासिक सिनोप्टिक अवस्थाओं से केवल कमजोर रूप से ही पूर्वानुमेय 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
मौसम पूरे महाद्वीप में शायद ही कभी एक समान होता है। जहाँ देश का एक हिस्सा भीषण गर्मी में तप रहा होता है, वहीं दूसरा हिस्सा भारी बारिश में डूब रहा हो सकता है। कभी-कभी, ये चरम स्थितियाँ एक ही समय में होती हैं, जिससे एक अजीब और शक्तिशाली पैटर्न बनता है जहाँ एक ही महीने के भीतर एक गंभीर सूखा भीषण बाढ़ के ठीक बगल में स्थित होता है। वैज्ञानिक इसे 'कन्करेंट ड्रॉट-प्लवियल इवेंट' (concurrent drought-pluvial event) कहते हैं। यह एक स्थानिक सी-सॉ (spatial seesaw) है, एक शुष्क-आर्द्र द्विध्रुव (dry-wet dipole) जो वायुमंडल के जटिल बदलावों से प्रेरित होकर संयुक्त राज्य अमेरिका में फैला हुआ है। इन घटनाओं के बनने के तरीके को समझना और उनकी तीव्रता का पूर्वानुमान लगाना यह जानना कि क्या हम उन्हें देख सकते हैं, जल संसाधनों के प्रबंधन और आपदाओं की तैयारी के लिए अत्यंत महत्वपूर्ण है। हालाँकि, वायुमंडल एक अराजक प्रणाली है, और इन विशिष्ट, साथ-साथ होने वाली चरम स्थितियों का पूर्वानुमान लगाना कठिन साबित हुआ है। शोधकर्ता अक्सर इस अराजकता में पैटर्न खोजने के लिए उन्नत कंप्यूटर मॉडल का सहारा लेते हैं, इस उम्मीद में कि वे शोर (noise) से संकेत (signal) को अलग कर सकें। प्रश्न बना हुआ है: क्या आधुनिक सांख्यिकीय उपकरण वास्तव में इन विपरीत मौसम की चरम स्थितियों की तीव्रता का पूर्वानुमान लगा सकते हैं, या वे केवल बहुत अधिक अप्रत्याशित हैं?
एक शोधकर्ता ने तीन अलग-अलग प्रकार के कंप्यूटर मॉडलों को परखकर इस प्रश्न का परीक्षण करने का निर्णय लिया। उन्होंने संयुक्त राज्य अमेरिका के निरंतर भूभाग में घटित हुई इन ऐसी ५२ शुष्क-आर्द्र घटनाओं पर ध्यान केंद्रित किया। प्रत्येक घटना की तीव्रता को मापने के लिए, उन्होंने सबसे सूखे स्थान और सबसे गीले स्थान के बीच के अंतर को देखा, जिसमें एक मानक स्कोर का उपयोग किया गया जो वर्षा और जमीन से पानी के वाष्पीकरण दोनों को ध्यान में रखता है। शोधकर्ता ने प्रत्येक मॉडल को सात वायुमंडलीय संकेतों का एक सेट दिया, जिसमें हवा का तापमान, आर्द्रता, हवा की दिशा और हवा की गति शामिल थी, जो दो अलग-अलग वैश्विक मौसम डेटाबेस से ली गई थी। उन्होंने डेटा के स्रोत या ऊंचाई से परिणामों पर क्या प्रभाव पड़ता है, यह देखने के लिए वायुमंडल में तीन अलग-अलग ऊंचाइयों पर इन मॉडलों का परीक्षण किया, जो सतह से लेकर निचले आकाश तक विस्तृत थी। लक्ष्य सरल था: क्या ये मॉडल केवल औसत का अनुमान लगाकर या पिछले महीने के समान मौसम रहने की धारणा बनाकर, किसी दिए गए महीने के लिए शुष्क-आर्द्र विरोधाभास की तीव्रता का बेहतर पूर्वानुमान लगा सकते हैं?
परिणाम निराशाजनक थे। तीनों में से कोई भी मॉडल, चाहे उन्होंने किसी भी डेटा का उपयोग किया हो या किस ऊंचाई को देखा हो, सबसे सरल संभावित अनुमानों से बेहतर प्रदर्शन करने में सक्षम नहीं रहा। वास्तव में, सबसे सफल भविष्यवक्ता कोई जटिल एल्गोरिदम नहीं था, बल्कि एक बुनियादी धारणा थी कि मौसम पिछले महीने जैसा ही रहेगा। जब शोधकर्ता ने मॉडलों के पूर्वानुमानों की वास्तविक घटनाओं के साथ तुलना की, तो उन्होंने पाया कि सबसे परिष्कृत विधियाँ भी इस घटना की वास्तविक प्रकृति को पकड़ने में विफल रहीं। दो मॉडल, जो संभाव्यता (probability) और न्यूरल नेटवर्क पर आधारित हैं, सुरक्षित खेलने की प्रवृत्ति रखते थे। वास्तव में घटित होने वाली अत्यधिक शुष्क या अत्यधिक गीली स्थितियों की भविष्यवाणी करने के बजाय, उन्होंने लगातार मध्य के करीब मानों का अनुमान लगाया, जिससे प्रभावी रूप से उन्हीं चरम सीमाओं को सुचारू (smooth out) कर दिया गया जिनका उन्हें पूर्वानुमान लगाना था। तीसरा मॉडल, जो अनिश्चितता को संभालने के लिए फजी लॉजिक (fuzzy logic) का उपयोग करता है, व्यापक परिणामों की भविष्यवाणी करने में सक्षम था, जिसमें चरम स्थितियाँ भी शामिल थीं, लेकिन उसके अनुमान इतने बिखरे हुए और गलत थे कि उसकी समग्र त्रुटि दर उन मॉडलों के समान ही उच्च थी जो औसत की ओर झुके हुए थे।
अध्ययन ने यह भी देखा कि मॉडल डेटा से क्या "सीख" रहे थे। भले ही वे तीव्रता का सटीक पूर्वानुमान लगाने में विफल रहे, लेकिन वे इस बात पर सहमत थे कि कौन से वायुमंडलीय कारक सबसे अधिक महत्वपूर्ण हैं। संभाव्यता-आधारित मॉडल और न्यूरल नेटवर्क मॉडल दोनों ने उत्तर-दक्षिण पवन पैटर्न और उस दिशा में नमी के संचलन पर सबसे अधिक भार दिया। यह भौतिक रूप से तर्कसंगत है, क्योंकि ये घटनाएँ अक्सर नमी को एक गीले क्षेत्र से सूखे क्षेत्र की ओर, या इसके विपरीत ले जाने वाली हवा द्वारा संचालित होती हैं। मॉडलों ने सही घटकों की पहचान की, लेकिन वे अंतिम परिणाम का सही पूर्वानुमान लगाने के लिए उन्हें संयोजित नहीं कर सके। यह वैसा ही है जैसे एक शेफ ने स्टू (stew) के मुख्य मसालों की पहचान तो सही कर ली, लेकिन वह अंतिम स्वाद का अनुमान नहीं लगा सका। शोधकर्ता ने पाया कि एक ही महीने के मौसम के स्नैपशॉट में उपलब्ध जानकारी यह निर्धारित करने के लिए पर्याप्त नहीं थी कि शुष्क-आर्द्र विरोधाभास कितना तीव्र होगा।
शोधकर्ता ने निष्कर्ष निकाला कि इन साथ-साथ होने वाले सूखे और बाढ़ की तीव्रता का पूर्वानुमान लगाना अनुमान से कहीं अधिक कठिन है। उनके द्वारा परीक्षण किए गए मॉडल, जो डेटा के व्यवहार के बारे में बहुत कम धारणाएं बनाते हैं, वास्तविकता के उतार-चढ़ाव को पकड़ने के बजाय औसत की ओर झुक गए। हालांकि उन्होंने सही ढंग से पहचाना कि उत्तर-दक्षिण नमी का परिवहन मुख्य चालक है, लेकिन यह ज्ञान एक उपयोगी पूर्वानुमान में परिवर्तित नहीं हुआ। अध्ययन सुझाव देता है कि पूर्वानुमानों में सुधार करने के लिए, वैज्ञानिकों को केवल घटना वाले महीने के बजाय, घटना से पहले के कई महीनों के मौसम पैटर्न को देखने की आवश्यकता हो सकती है, और उन्हें विभिन्न मौसमों के लिए अलग-अलग मॉडल बनाने की आवश्यकता हो सकती है। फिलहाल, इन नाटकीय शुष्क-आर्द्र द्विध्रुवों की तीव्रता वायुमंडल की स्थिति से केवल कमजोर रूप से ही पूर्वानुमानित योग्य है।
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।