Geostatistical Reachability for Qualifying Spatial Model Classes Before Predictive Ranking

भूविज्ञान और पर्यावरण विज्ञान की दुनिया में, सतह के नीचे क्या है इसे समझने की शुरुआत अक्सर एक मानचित्र से होती है। वैज्ञानिक गणितीय मॉडलों का उपयोग यह वर्णन करने के लिए करते हैं कि चट्टानों का घनत्व, मिट्टी की नमी, या खनिज सांद्रता जैसे गुण एक परिदृश्य में कैसे बदलते हैं। ये मॉडल केवल चित्र नहीं हैं; ये नियमों के ऐसे समूह हैं जो यह परिभाषित करते हैं कि जमीन का एक बिंदु दूसरे बिंदु से कैसे संबंधित है। कभी-कभी, जमीन एकसमान होती है, जहाँ गुण सभी दिशाओं में सुचारू रूप से बदलते हैं। अन्य समय में, पृथ्वी स्तरित (layered) होती है, जहाँ गुण लंबी, समानांतर पट्टियों के रूप में फैले होते हैं। अधिक जटिल परिदृश्यों में, परिदृश्य अदृश्य दीवारों या बाधाओं, जैसे कि भ्रंश (faults) या अभेद्य चट्टानी परतों द्वारा कटा होता है, जो तरल पदार्थों के प्रवाह या खनिजों के प्रसार को रोकते हैं। इस छिपी हुई दुनिया का वर्णन करने के लिए सही नियमों के सेट को चुनना महत्वपूर्ण है। यदि कोई वैज्ञानिक यह मान लेता है कि जमीन एकसमान है जबकि वह वास्तव में स्तरित है, या यदि वह किसी छिपी हुई बाधा को पहचानने में विफल रहता है, तो पानी के प्रवाह या संसाधनों के स्थानों के बारे में इसके परिणामी अनुमान खतरनाक रूप से गलत हो सकते हैं। चुनौती हमेशा यह जानने की रही है कि उन भविष्यवाणियों को करने से पहले किन नियमों के सेट पर भरोसा किया जाए।

द दशकों से, इस समस्या के लिए मानक दृष्टिकोण कई अलग-अलग मॉडलों का परीक्षण करना और यह देखना रहा है कि कौन सा उपलब्ध डेटा के साथ सबसे अच्छा फिट बैठता है। यदि कोई मॉडल ज्ञात स्थानों पर मूल्यों की उच्च सटीकता के साथ भविष्यवाणी कर सकता है, तो उसे विजेता के रूप में चुना जाता है। हालाँकि, इस पद्धति में एक अंधा बिंदु (blind spot) है। एक मॉडल ज्ञात बिंदुओं की भविष्यवाणी केवल भाग्य से या त्रुटियों को औसत निकालकर अच्छी तरह से कर सकता है, भले ही वह पृथ्वी की अंतर्निहित संरचना को पूरी तरह से गलत समझता हो। यह संभव है कि एक सरल, एकसमान मॉडल कुछ बिखरे हुए डेटा बिंदुओं की सटीक भविष्यवाणी करे, जबकि वह उस विशाल, छिपी हुई बाधा को पकड़ने में विफल रहे जो पूरे तंत्र को नियंत्रित करती है। यह शोध पत्र मॉडलों को रैंक करने से पहले उन्हें जांचने का एक नया तरीका पेश करता है। डेटा के लिए सबसे अच्छा फिट होने के बजाय, शोधकर्ता एक सरल, अधिक मौलिक प्रश्न पूछता है: क्या इस प्रकार के मॉडल के लिए डेटा में दिखने वाली विशिष्ट संरचनात्मक विशेषताओं को उत्पन्न करना संभव भी है? वे इस प्रक्रिया को "जियोस्टैटिस्टिकल रीचेबिलिटी" (geostatistical reachability) कहते हैं।

शोधकर्ता ने एक विधि विकसित की है जो विभिन्न प्रकार के भूवैज्ञानिक मॉडलों को अलग-अलग परिवारों (families) के रूप में मानती है। एक परिवार मान सकता है कि जमीन हर दिशा में एक समान है। दूसरा दिशात्मक खिंचाव (directional stretching) की अनुमति दे सकता है, जैसे अवसादों (sediments) की परतें। तीसरा परिवार कठोर बाधाओं की संभावना को शामिल कर सकता है जो गति को रोकती हैं। टीम ने यह परीक्षण करने के लिए एक प्रणाली बनाई कि क्या इन परिवारों में से कोई भी विशिष्ट पैटर्न को उत्पन्न कर सकता है जो डेटा में देखे गए हैं। उन्होंने प्रत्येक परिवार के लिए हजारों कंप्यूटर सिमुलेशन चलाकर एक विशाल संभावित परिदृश्यों का पुस्तकालय बनाया। फिर उन्होंने विशिष्ट विशेषताओं को खोजने के लिए नियमों का एक सेट, या डायग्नोस्टिक्स, परिभाषित किया, जैसे कि कम दूरी पर गुण कितनी तेजी से बदलते हैं या वे एक संभावित बाधा को पार करते समय कैसा व्यवहार करते हैं। महत्वपूर्ण रूप से, उन्होंने वास्तविक दुनिया के डेटा और सिम्युलेटेड परिदृश्यों दोनों पर समान नियम लागू किए। यदि एक परिवार का मॉडल ऐसा परिदृश्य उत्पन्न नहीं कर सका जो इन सख्त नियमों से मेल खाता हो, तो उस पूरे परिवार को खारिज कर दिया गया, चाहे वह व्यक्तिगत बिंदुओं की कितनी भी अच्छी भविष्यवाणी क्यों न करता हो।

इस विचार का परीक्षण करने के लिए, लेखक ने एक सिंथेटिक बेंचमार्क का उपयोग किया, जो एक नियंत्रित डिजिटल वातावरण था जहाँ वे सटीक सत्य जानते थे। उन्होंने दो अलग-अलग प्रकार के छिपे हुए परिदृश्यों का निर्माण किया। पहला एक दृढ़ता से स्तरित दुनिया थी, जहाँ गुण एक दिशा में फैले हुए थे। दूसरा एक अधिक जटिल दुनिया थी जिसमें एक छिपी हुई बाधा थी जिसमें एक छोटा सा द्वार (gate) था, जैसे दीवार में एक गेट। उन्होंने तीन मॉडल परिवारों का इन परिदृश्यों के विरुद्ध परीक्षण किया: एक सरल आइसोट्रोपिक परिवार जिसने दिशात्मकता को नहीं माना, एक ग्लोबल एनिसोट्रोपिक परिवार जिसने दिशा की अनुमति दी, और एक बैरियर-अवेयर (barrier-aware) परिवार जो दीवारों और द्वारों को संभाल सकता था। जब शोधकर्ता के पास डिजिटल दुनिया का पूर्ण मानचित्र उपलब्ध था, तो परिणाम स्पष्ट थे। सरल, दिशाहीन मॉडल कभी भी स्तरित परिदृश्य को पुनरुत्पादित नहीं कर सका। दिशात्मक मॉडल परतों को पूरी तरह से पुनरुत्पादित कर सका लेकिन गेट के साथ बाधा बनाने में विफल रहा। केवल सबसे जटिल बैरियर-अवेयर मॉडल ही छिपे हुए गेट को पुनरुत्पादित कर सका। विधि ने सफलतापूर्वक पहचान लिया कि पहले परिदृश्य के लिए डेटा को समझाने में सक्षम सबसे सरल मॉडल दिशात्मक वाला था, और दूसरे परिदृश्य के लिए बैरियर-अवेयर वाला था।

अध्ययन ने एक आश्चर्यजनक सीमा को भी उजागर किया जो पूरी तरह से इस बात पर निर्भर करती है कि कितना डेटा उपलब्ध है। जब शोधकर्ता ने एक ऐसी स्थिति का अनुकरण किया जहाँ जमीन का केवल एक छोटा हिस्सा ही देखा गया था—जैसे कि पूर्ण मानचित्र के बजाय केवल कुछ बिखरे हुए ड्रिल होल होना—तो मॉडलों के बीच अंतर करने की क्षमता समाप्त हो गई। विरल डेटा (sparse data) के साथ, सरल, दिशाहीन मॉडल अचानक एक जटिल बाधा परिदृश्य के लिए एक वैध स्पष्टीकरण के रूप में दिखाई देने लगा। ऐसा इसलिए नहीं हुआ कि जमीन बदल गई थी, बल्कि इसलिए हुआ क्योंकि सीमित डेटा छिपी हुई बाधा को प्रकट करने के लिए बहुत विरल था। विधि ने इसे मॉडल की विफलता के बजाय अवलोकन की विफलता के रूप में सही ढंग से चिह्नित किया। इसने दिखाया कि केवल 25% डेटा बिंदुओं के साथ, एक साधारण दुनिया और एक जटिल दुनिया के बीच का अंतर समाप्त हो गया, जिससे यह जानना असंभव हो गया कि कौन सा मॉडल वास्तव में सही था। यह निष्कर्ष सुझाव देता है कि कई वास्तविक दुनिया की स्थितियों में, समस्या गलत मॉडल की नहीं है, बल्कि हमारे पास संरचना को स्पष्ट रूप से देखने के लिए पर्याप्त डेटा नहीं है।

शोधकर्ता ने यह भी परीक्षण किया कि क्या उनकी विधि उन मॉडलों को संभाल सकती है जो उपयोग किए गए डेटा से थोड़े भिन्न हैं। उन्होंने एक "मिडपॉइंट रिफाइनमेंट" (midpoint refinement) चरण पेश किया, एक ऐसी प्रक्रिया जहाँ कंप्यूटर स्वचालित रूप से बेहतर फिट खोजने के लिए खोज करता है यदि प्रारंभिक मॉडलों का सेट बहुत मोटा (coarse) है। जब उन्होंने एक ऐसे परिदृश्य का परीक्षण किया जो उनके पूर्व-निर्धारित मॉडल सेटों से सटीक रूप से मेल नहीं खाते मापदंडों के साथ बनाया गया था, तो प्रारंभिक जांच मैच खोजने में विफल रही। हालाँकि, जब कंप्यूटर ने मध्यवर्ती सेटों का परीक्षण करके अपनी खोज को परिष्कृत किया, तो उसने सफलतापूर्वक एक मैच ढूंढ लिया। इसने प्रदर्शित किया कि विधि मजबूत है और सही संरचनात्मक वर्ग को खोजने के लिए अनुकूलित हो सकती है, भले ही प्रारंभिक विकल्पों का ग्रिड पूर्ण न हो।

अंत में, शोध पत्र ने एक सामान्य गलत धारणा को संबोधित किया: कि भविष्य के मूल्यों की भविष्यवाणी करने के लिए सबसे अच्छा मॉडल हमेशा संरचना को समझने के लिए सबसे अच्छा मॉडल होता है। शोधकर्ता ने मानक भविष्य कहनेवाला प्रदर्शन (predictive performance) के साथ संरचनात्मक योग्यता के परिणामों की तुलना की। उन्होंने पाया कि बाधा परिदृश्य के लिए, तीनों मॉडल परिवारों ने अनदेखे बिंदुओं के लिए मूल्यों की भविष्यवाणी लगभग समान रूप से की। सरल मॉडल, दिशात्मक मॉडल और जटिल बैरियर मॉडल तीनों ने समान सटीकता के साथ संख्याओं की भविष्यवाणी की। फिर भी, केवल जटिल बैरियर मॉडल ही छिपे हुए गेट के साथ संरचनात्मक रूप से संगत था। यह सिद्ध करता है कि एक मॉडल संख्याओं का अनुमान लगाने में उत्कृष्ट हो सकता है जबकि वह उस भौतिक वास्तविकता के बारे में पूरी तरह से गलत हो सकता है जिसका वह प्रतिनिधित्व करने का दावा करता है।

कार्य इस निष्कर्ष पर पहुँचता है कि वैज्ञानिकों को मॉडलों को यह देखने के लिए रैंक करने में समय बिताने से पहले कि कौन सा सबसे अच्छा भविष्यवाणी करता है, उन्हें पहले उन्हें योग्य (qualify) करना चाहिए ताकि यह सुनिश्चित हो सके कि वे भौतिक दुनिया का प्रतिनिधित्व करने में सक्षम हैं। यह विधि "क्या यह मॉडल अस्तित्व में हो सकता है?" के प्रश्न को "क्या यह सबसे अच्छा फिट बैठता है?" से अलग करती है। यह मॉडलों के पूरे वर्ग को बाहर करने का एक तरीका प्रदान करती है जो संरचनात्मक साक्ष्य के साथ मौलिक रूप से असंगत हैं, और यह भी उजागर करती है कि कब डेटा निर्णय लेने के लिए बहुत विरल है। केवल संख्याओं के फिट होने के बजाय कि एक मॉडल वर्ग देखे गए संरचनात्मक विशेषताओं तक कैसे पहुँच सकता है, इस पर ध्यान केंद्रित करके, यह दृष्टिकोण भूवैज्ञानिक व्याख्या के लिए एक अधिक विश्वसनीय आधार प्रदान करता है। परिणाम दिखाते हैं कि जबकि जटिल मॉडलों की अक्सर पृथ्वी की छिपी बाधाओं को समझाने के लिए आवश्यकता होती है, उन्हें पहचानने की क्षमता डेटा के घनत्व पर बहुत अधिक निर्भर करती है। पर्याप्त डेटा के बिना, सबसे परिष्कृत मॉडल को भी एक सरल, गलत मॉडल से अलग नहीं किया जा सकता है।