Hybridizing ES-MDA with RAGA and WSO: A Comparative Study for Characterizing Hydraulic Conductivity Fields

भूजल हमारे पैरों के नीचे एक अदृश्य जलाशय है, चट्टानों और रेत के छिपे हुए नेटवर्क का एक विशाल जाल जो अरबों लोगों को पीने का पानी प्रदान करता है और पारिस्थितिक तंत्र को बनाए रखता है। इस संसाधन के प्रबंधन या प्रदूषण की सफाई के लिए, वैज्ञानिकों को यह समझना आवश्यक है कि पानी जमीन के माध्यम से कितनी आसानी से चलता है, जिसे 'हाइड्रोलिक कंडक्टिविटी' (hydraulic conductivity) नामक गुण कहा जाता है। एक ऐसे शहर में नेविगेट करने की कल्पना करें जहाँ सड़कें लगातार बदल रही हों; यदि आप मिट्टी के माध्यम से पानी के प्रवाह का मानचित्रण नहीं कर सकते, तो आप यह अनुमान नहीं लगा सकते कि रासायनिक रिसाव कहाँ जाएगा या एक कुआं सुरक्षित रूप से कितना पानी दे सकता है। दशकों से, शोधकर्ताओं ने कुछ कुओं में जल स्तर को मापकर और फिर शेष का अनुमान लगाने के लिए गणितीय मॉडल का उपयोग करके इन भूमिगत मार्गों का मानचित्रण करने का प्रयास किया है। हालाँकि, जमीन शायद ही कभी एकसमान होती है, और साधारण अनुमान अक्सर इस जटिल, खंडित वास्तविकता को पकड़ने में विफल रहते हैं कि पानी भूमिगत कैसे चलता है।

इस पहेली को सुलझाने के लिए, वैज्ञानिक शक्तिशाली कंप्यूटर एल्गोरिदम की ओर मुड़े हैं जो सर्वोत्तम संभव मानचित्र के लिए खोज इंजन (search engines) की तरह कार्य करते हैं। ये एल्गोरिदम लाखों अलग-अलग भूमिगत परिदृश्यों का परीक्षण करते हैं, और वास्तविक मापों के साथ परिणामों की तुलना करते हैं जब तक कि उन्हें सबसे सटीक मिलान न मिल जाए। लेकिन एक समस्या है: ये डिजिटल खोजकर्ता अक्सर रास्ता भटक जाते हैं। यदि वे भूमिगत स्थितियों के बारे में पूरी तरह से यादृच्छिक अनुमान (random guess) के साथ शुरुआत करते हैं, तो वे असंभव परिदृश्यों की खोज में अपार कंप्यूटिंग शक्ति बर्बाद कर सकते हैं या एक स्थानीय गतिरोध (local dead end) में फंस सकते हैं, जिससे वे वास्तविक मानचित्र तक कभी नहीं पहुँच पाते। यही वह चुनौती थी जिसे शोधकर्ताओं—गुओडोंग झांग, टेंग ज़ू, डेकियांग माओ और चुनहुई लू ने हाल ही में अपने अध्ययन में संबोधित किया। उन्होंने इन खोज इंजनों को निर्देशित करने का एक नया तरीका विकसित किया, यह सुनिश्चित करते हुए कि वे सटीक स्थान की तलाश शुरू करने से पहले सही पड़ोस में अपनी यात्रा शुरू करें।

शोधकर्ताओं ने 'एन्सेम्बल स्मूदर विद मल्टीपल डेटा असिमिलेशन' (ES-MDA) नामक एक विशिष्ट तकनीक पर ध्यान केंद्रित किया। इस पद्धति को एक धुंधली तस्वीर को पहचानने की कोशिश करने से पहले उसे साफ करने के तरीके के रूप में समझें। एक जंगली अनुमान के बजाय, टीम ने अवलोकन कुओं से वास्तविक दुनिया के जल स्तर के डेटा को अवशोषित करने के लिए ES-MDA का उपयोग किया। इस प्रक्रिया ने पूरी पहेली को हल नहीं किया, लेकिन इसने संभावनाओं को काफी कम कर दिया, जिससे भूमिगत मानचित्र के लिए एक बहुत अधिक स्पष्ट और यथार्थवादी शुरुआती बिंदु तैयार हुआ। इस परिष्कृत शुरुआती बिंदु के साथ, उन्होंने कार्य को दो अलग-अलग अनुकूलन एल्गोरिदम (optimization algorithms) को सौंप दिया: 'रियल-कोडेड एक्सीलरेटिंग जेनेटिक एल्गोरिदम' (RAGA) और 'वॉर स्ट्रैटेजी ऑप्टिमाइज़ेशन' (WSO) एल्गोरिदम। ये दोनों विधियाँ अलग-अलग तरीके से काम करती हैं; एक जैविक विकास (biological evolution) की प्रक्रिया की नकल करता है, जिसमें सर्वोत्तम गुणों को बनाए रखा जाता है और नए वंश बनाने के लिए उन्हें मिलाया जाता है, जबकि दूसरा प्राचीन युद्ध की रणनीतियों का अनुकरण करता है, जिसमें लक्ष्य की ओर बढ़ने के लिए हमले और रक्षा की रणनीतियों का उपयोग किया जाता है।

टीम ने इन नए हाइब्रिड तरीकों का परीक्षण एक सिम्युलेटेड भूमिगत एक्विफर (aquifer) पर किया, जो 8,000 इकाइयों द्वारा 8,000 इकाइयों का एक ब्लॉक था, जिसे 640,000 छोटे सेल के ग्रिड में विभाजित किया गया था। उन्होंने इस जमीन के माध्यम से पानी के प्रवाह का एक "वास्तविक" छिपा हुआ मानचित्र बनाया और फिर अपने तरीकों का उपयोग करके इसे पुनर्गठित करने का प्रयास किया। जब उन्होंने अनुकूलन एल्गोरिदम को यादृच्छिक अनुमानों के साथ शुरू करने दिया, तो वे विफल रहे। परिणामी मानचित्र धुंधले और गलत थे, जो पानी के प्रवाह के जटिल उच्च और निम्न क्षेत्रों को पकड़ने में असमर्थ थे। हालाँकि, जब शोधकर्ताओं ने प्रारंभिक अनुमान को साफ करने के लिए पहले ES-MDA का उपयोग किया, तो परिणाम नाटकीय रूप से बदल गए। दोनों हाइब्रिड विधियां, अब एक बहुत अधिक स्मार्ट शुरुआती आबादी के साथ, छिपे हुए मानचित्र को उच्च सटीकता के साथ पुनर्गठित करने में सक्षम थीं। उच्च और निम्न चालकता क्षेत्र स्पष्ट रूप से दिखाई दिए, जो वास्तविक भूमिगत संरचना के लगभग पूर्णतः मेल खाते थे।

अध्ययन ने प्रत्येक दृष्टिकोण की विशिष्ट शक्तियों को प्रकट किया। 'वॉर स्ट्रैटेजी ऑप्टिमाइज़ेशन' एल्गोरिदम के साथ संयोजन वाला तरीका, जिसे ESMDA-WSO के रूप में जाना जाता है, जोड़ी में सबसे तेज़ था। यह समाधान की ओर तेजी से बढ़ा और थोड़ा अधिक सटीक अंतिम परिणाम तक पहुँचा, और कम चरणों में इष्टतम मानचित्र खोज लिया। दूसरी ओर, जेनेटिक एल्गोरिदम का उपयोग करने वाला तरीका, ESMDA-RAGA, अधिक स्थिर हाथ साबित हुआ। जब शोधकर्ताओं ने निरंतरता का परीक्षण करने के लिए सिमुलेशन को दस बार चलाया, तो जेनेटिक एल्गोरिदम ने उल्लेखनीय रूप से स्थिर परिणाम दिए, जिसमें विभिन्न रन के बीच बहुत कम भिन्नता थी। यह सुझाव देता है कि जबकि युद्ध रणनीति वाला दृष्टिकोण तेज़ है, जेनेटिक दृष्टिकोण कम अस्थिर है यदि शुरुआती स्थितियाँ थोड़ी बदल जाती हैं। हालाँकि, दोनों विधियों ने कुओं में जल स्तर की सफलतापूर्वक भविष्यवाणी की, जिससे सिद्ध हुआ कि उनके द्वारा बनाए गए मानचित्र न केवल दृश्य मिलान थे, बल्कि भौतिक रूप से सटीक प्रतिनिधित्व भी थे कि पानी वास्तव में कैसे चलेगा।

शोधकर्ताओं ने निष्कर्ष निकाला कि सफलता की कुंजी एक नया एल्गोरिदम बनाना नहीं था, बल्कि उनके द्वारा उपयोग किए जाने वाले एल्गोरिदम के लिए शुरुआती स्थितियों में सुधार करना था। ES-MDA का उपयोग करके प्रारंभिक अनुमान की अनिश्चितता को सीमित करके, उन्होंने अनुकूलन एल्गोरिदम को अवास्तविक परिदृश्यों की खोज में बर्बाद होने वाले समय को छोड़ने और तुरंत सबसे आशाजनक क्षेत्रों पर ध्यान केंद्रित करने की अनुमति दी। हालांकि यह अध्ययन पूरी तरह से कंप्यूटर सिमुलेशन के भीतर किया गया था और अभी तक वास्तविक दुनिया के स्थल पर इसका परीक्षण नहीं किया गया है, फिर भी इसके परिणाम भविष्य के भूजल प्रबंधन के लिए एक सम्मोहक रणनीति पेश करते हैं। यह कार्य बताता है कि डेटा असिमिलेशन तकनीकों को शक्तिशाली अनुकूलन उपकरणों के साथ जोड़कर, वैज्ञानिक हमारे पैरों के नीचे की छिपी दुनिया का अधिक विश्वसनीय मानचित्र बना सकते हैं, जिससे हमारे महत्वपूर्ण जल संसाधनों की सुरक्षा और प्रबंधन में बेहतर निर्णय लेने में मदद मिलेगी।