Benchmarking machine and deep learning for retrospective multi-horizon prediction of GloFAS-modelled high flows at Hardinge Bridge in Bangladesh

नदी की बाढ़ एक निरंतर चलने वाली शक्ति है जो परिदृश्यों को नया आकार देती है और जीवन के लिए खतरा पैदा करती है, विशेष रूप से उन क्षेत्रों में जहाँ मौसम के पैटर्न जटिल हैं और उन्हें पूर्वानुमानित करने के लिए डेटा की कमी है। बांग्लादेश जैसे स्थानों में, जहाँ विशाल नदियाँ दूर पहाड़ों से कई देशों से होकर समुद्र तक पहुँचती हैं, यह अनुमान लगाना कि पानी कब खतरनाक स्तर तक बढ़ जाएगा, एक बहुत बड़ी चुनौती है। आने वाली बाढ़ का संकेत अक्सर एक विशाल ऊपरी क्षेत्र के विस्तृत मौसम इतिहास के भीतर गहराई में छिपा होता है, जिससे यह जानना कठिन हो जाता है कि क्या मीलों दूर हुई एक भारी बारिश कुछ दिनों बाद किसी विशिष्ट पुल पर जल वृद्धि के रूप में तब्दील होगी। वैज्ञानिक लंबे समय से उन भौतिक मॉडलों पर भरोसा करते आए हैं जो यह सिम्युलेट करते हैं कि बारिश मिट्टी और नदियों के माध्यम से कैसे आगे बढ़ती है, लेकिन ये सिमुलेशन पूर्ण नहीं होते हैं। हाल के वर्षों में, एक नया दृष्टिकोण उभरा है: ऐतिहासिक डेटा से पैटर्न सीखने के लिए कृत्रिम बुद्धिमत्ता (AI) का उपयोग करना, इस उम्मीद में कि एक कंप्यूटर पारंपरिक तरीकों की तुलना में आने वाली बाढ़ के सूक्ष्म संकेतों को बेहतर ढंग से पहचान सकता है। यह नई शोध लहर इस प्रश्न से प्रेरित है कि क्या ये परिष्कृत, डीप-लर्निंग सिस्टम, जो अनुक्रमों (sequences) को संसाधित करने की मानवीय मस्तिष्क की क्षमता की नकल करते हैं, वास्तव में दुर्लभ, उच्च-जल घटनाओं की भविष्यवाणी करने के लिए सरल, अधिक स्थापित सांख्यिकीय उपकरणों की तुलना में वास्तविक लाभ प्रदान करते हैं।

शोधकर्ताओं की एक टीम ने हार्डिंग ब्रिज पर इस प्रश्न का उत्तर देने का प्रयास किया, जो बांग्लादेश में प्रवेश करने वाली गंगा नदी का एक महत्वपूर्ण बिंदु है। उन्होंने वास्तविक बाढ़ के नुकसान या भौतिक गेज द्वारा मापे गए जल स्तर की भविष्यवाणी करने की कोशिश नहीं की, जो इस क्षेत्र में अक्सर अनुपलब्वल या अविश्वसनीय होते हैं। इसके बजाय, वे ग्लोबल फ्लड अवेयरनेस सिस्टम (GloFAS) नामक एक वैश्विक प्रणाली द्वारा उत्पन्न नदी प्रवाह के डिजिटल सिमुलेशन पर केंद्रित रहे। यह प्रणाली मौसम के डेटा का उपयोग यह मॉडल करने के लिए करती है कि किसी भी समय नदी में कितना पानी बहना चाहिए। शोधकर्ताओं ने इस सिम्युलेटेड प्रवाह को अपना लक्ष्य माना, यह पूछते हुए कि क्या मशीन लर्निंग यह भविष्यवाणी कर सकती है कि मॉडल किया गया जल स्तर कब एक उच्च सीमा को पार करेगा, विशेष रूप से चालीस-दो वर्षों की अवधि में दर्ज किए गए प्रवाह मूल्यों के शीर्ष पांच प्रतिशत को। उन्होंने 1981 से 2023 तक के वर्षों को कवर करने वाले दो अलग-अलग सार्वजनिक स्रोतों से तापमान, मिट्टी की नमी और वर्षा सहित दैनिक मौसम डेटा एकत्र किया। फिर उन्होंने इस जानकारी को विभिन्न कंप्यूटर मॉडलों में डाला, जिनमें सरल सांख्यिकीय विधियों से लेकर जटिल न्यूरल नेटवर्क तक शामिल थे, जो पिछले आयोजनों को याद रखने के लिए डिज़ाइन किए गए थे, ताकि यह देखा जा सके कि कौन सा मॉडल एक, तीन, पांच या सात दिनों में उच्च जल स्तर का सबसे अच्छा पूर्वानुमान लगा सकता है।

इस प्रयोग के परिणामों ने जटिलता की शक्ति के बारे में एक आश्चर्यजनक सत्य का खुलासा किया। सबसे उन्नत डीप-लर्निंग मॉडल, जिनमें टाइम-सीरीज डेटा में दीर्घकालिक निर्भरताओं को सीखने में सक्षम जटिल आर्किटेक्चर शामिल थे, एक बहुत ही सरल विधि जिसे 'रैंडम फॉरेस्ट' कहा जाता है, से बेहतर प्रदर्शन नहीं कर सके। यह सरल दृष्टिकोण, जो परिणामों पर मतदान करने के लिए निर्णय वृक्षों (decision trees) का एक विशाल संग्रह बनाने का कार्य करता है, लगातार इस बात की सबसे सटीक रैंकिंग प्रदान करता था कि किन दिनों में उच्च जल स्तर देखा जाएगा। हालाँकि डीप-लर्निंग मॉडल कभी-कभी प्रतिस्पर्धी थे, लेकिन वे कम स्थिर भी थे; उनका प्रदर्शन उनके प्रारंभिक सेटअप (initialization) के आधार पर काफी भिन्न होता था, जबकि सरल मॉडल स्थिर रहा। अध्ययन ने पाया कि भविष्य की बाढ़ का सबसे शक्तिशाली भविष्यवक्ता कोई जटिल एल्गोरिदम नहीं, बल्कि नदी की वर्तमान स्थिति स्वयं थी। यदि नदी पहले से ही ऊँची है, तो इसकी बहुत अधिक संभावना है कि वह अगले दिन भी ऊँची ही रहेगी। इससे भी अधिक महत्वपूर्ण खोज यह थी कि नदी के वर्तमान प्रवाह स्तर को जानने से न्यूरल नेटवर्क में अधिक जटिल परतें जोड़ने की तुलना में भविष्यवाणियों में कहीं अधिक सुधार हुआ। जब शोधकर्ताओं ने इनपुट डेटा में वर्तमान दिन के सिम्युलेटेड नदी प्रवाह को जोड़ा, तो सभी मॉडलों की सटीकता नाटकीय रूप से बढ़ गई, जिससे यह सिद्ध हुआ कि नदी की प्रारंभिक स्थिति सबसे महत्वपूर्ण जानकारी है, जो वास्तुशिल्प की जटिलता के लाभों से कहीं अधिक है।

शोधकर्ताओं ने यह भी पाया कि हालांकि ये सीखे हुए मॉडल केवल यह मानने की तुलना में कि नदी अपने वर्तमान स्तर पर बनी रहेगी, एक जल्दी चेतावनी प्रदान कर सकते थे, लेकिन इस जल्दी चेतावनी की एक बड़ी कीमत भी थी। ये मॉडल गलत अलार्म देने के प्रति प्रवृत्त थे, यानी ऐसी स्थिति में भी उच्च जल स्तर की भविष्यवाणी करना जब वह वास्तव में नहीं आया। विशिष्ट परीक्षण अवधि में, जिसमें आठ विशिष्ट बाढ़ की घटनाएँ शामिल थीं, मॉडलों ने इन घटनाओं का पता तो लगाया लेकिन बड़ी संख्या में गलत चेतावनियाँ भी उत्पन्न कीं। यह ट्रेड-ऑफ पूर्वानुमान में एक महत्वपूर्ण अंतर को रेखांकित करता है: एक मॉडल दिनों को बाढ़ आने की सर्वाधिक संभावना से सबसे कम संभावना के क्रम में रैंक करने में बहुत अच्छा हो सकता है, फिर भी विशिष्ट संभावना बताने या सटीक रूप से अलार्म बजाने का निर्णय लेने के मामले में अविश्वसनीय हो सकता है। अध्ययन ने दिखाया कि डीप-लर्निंग मॉडल स्वाभाविक रूप से श्रेष्ठ नहीं थे; वास्तव में, उनकी अतिरिक्त जटिलता एक ही स्थान के लिए उपलब्ध ऐतिहासिक बाढ़ डेटा की कमी की भरपाई नहीं कर सकी। सरल मॉडल, नदी की वर्तमान स्थिति की स्पष्ट समझ के साथ मिलकर, अधिक मजबूत और सुसंगत साबित हुए।

अंततः, यह कार्य बाढ़ की चेतावनी के लिए एक अंतिम समाधान के बजाय एक कठोर बेंचमार्क के रूप में कार्य करता है। शोधकर्ता इस बात पर ध्यान देने में सावधानी बरतते हैं कि उनके परिणाम एक सिम्युलेटेड नदी प्रवाह पर लागू होते हैं, न कि वास्तविक भौतिक जल स्तरों या उनके द्वारा होने वाले नुकसान पर। क्योंकि मॉडल को प्रशिक्षित करने के लिए उपयोग किया गया मौसम डेटा और नदी प्रवाह डेटा जिसे वे भविष्यवाणी करने की कोशिश कर रहे थे, दोनों वायुमंडलीय मॉडलों के एक ही परिवार से आते हैं, इसलिए यह अध्ययन यह मापता है कि ये प्रणालियाँ एक-दूसरे के साथ कितनी सहमत हैं, न कि यह कि वे वास्तविकता की कितनी सटीक भविष्यवाणी करती हैं। निष्कर्ष बताते हैं कि इस विशिष्ट समस्या के लिए, इस विशिष्ट स्थान पर, बेहतर भविष्यवाणियों की कुंजी बड़े, अधिक जटिल न्यूरल नेटवर्क बनाने में नहीं, बल्कि नदी की वास्तविक स्थिति और ऊपरी क्षेत्रों के मौसम पैटर्न के बारे में बेहतर, स्वतंत्र डेटा एकत्र करने में निहित है। अध्ययन इस निष्कर्ष पर पहुँचता है कि हालांकि कृत्रिम बुद्धिमत्ता बहुत बड़ी संभावना रखती है, लेकिन जल विज्ञान (hydrology) में इसके अनुप्रयोग के लिए मॉडल की जटिलता और उसमें डाली जाने वाली सूचना की गुणवत्ता के बीच एक सावधानीपूर्ण संतुलन की आवश्यकता होती है। जब तक अधिक स्वतंत्र डेटा उपलब्ध नहीं हो जाता, सबसे विश्वसनीय दृष्टिकोण सरल, सिद्ध सांख्यिकीय विधियों और नदी के वर्तमान व्यवहार की गहरी समझ का संयोजन बना हुआ है।