Enhancing Thunderstorm Potential Area Detection over Northeast India Using INSAT series of Data: A Deep Learning Approach
यह अध्ययन GeoConvNet प्रस्तुत करता है, जो एक डीप लर्निंग फ्रेमवर्क है जो उत्तर-पूर्व भारत के ऊपर संवहनी बादल संरचनाओं (convective cloud structures) का सटीक रूप से पता लगाने और उन्हें वर्गीकृत करने के लिए मल्टी-स्पेक्ट्रल इनसैट (INSAT) उपग्रह डेटा का लाभ उठाता है, जो स्थानिक बफरिंग (spatial buffering) और स्थलाकृतिक-आधारित फ़िल्टरिंग के माध्यम से जटिल भूभाग से उत्पन्न चुनौतियों का प्रभावी ढंग से समाधान करते हुए वर्षा और बिजली के अवलोकनों के साथ मजबूत सहसंबंध प्रदर्शित 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
आंधी-तूफान प्रकृति के सबसे अस्थिर प्रदर्शनों में से एक हैं, जो कुछ ही मिनटों में तीव्र बिजली, भारी बारिश और विनाशकारी हवाओं को अनियंत्रित करने में सक्षम हैं। मौसमविदों के लिए चुनौती इन प्रणालियों को पूरी तरह से बनने से पहले पहचानने की है, विशेष रूप से तब जब वे वायुमंडल में अभी बस आकार लेना शुरू ही कर रही हों। पारंपरिक मौसम मॉडल अक्सर इन तीव्र परिवर्तनों की भविष्यवाणी करने में संघर्ष करते हैं क्योंकि ये प्रक्रियाएं इतने छोटे पैमाने पर होती हैं कि कंप्यूटर उन्हें पर्याप्त तेजी से हल नहीं कर पाते। उपग्रह एक अलग दृष्टिकोण प्रदान करते हैं, जो ऊपर से देखते हैं कि बादलों के ठंडे, ऊंचे शिखर क्या संकेत दे रहे हैं कि एक तूफान पनप रहा है। हालांकि, उपग्रह छवि को देखना हमेशा सीधा नहीं होता; एक ठंडा बादल का शीर्ष हमेशा यह संकेत नहीं देता कि उसके ठीक नीचे बारिश हो रही है, और पूर्वोत्तर भारत जैसे स्थानों के जटिल, पहाड़ी परिदृश्य इस संबंध को और भी कठिन बना देते हैं कि अंतरिक्ष से जो देखा जा रहा है और जमीन पर जो हो रहा है, उनके बीच क्या संबंध है।
इस संदर्भ में, नॉर्थ ईस्टर्न स्पेस एप्लीकेशन सेंटर और इंडियन स्पेस रिसर्च ऑर्गनाइजेशन के शोधकर्ताओं की एक टीम ने इन तूफानों पर नज़र रखने का एक नया तरीका विकसित किया है। उन्होंने 'जियोकॉनवनेट' (GeoConvNet) नामक एक कंप्यूटर प्रणाली बनाई है, जो भारत के INSAT-3D और 3DR मौसम उपग्रहों से प्राप्त छवियों का विश्लेषण करने के लिए 'डीप लर्निंग' नामक आर्टिफिशियल इंटेलिजेंस के एक प्रकार का उपयोग करती है। कठोर नियमों पर भरोसा करके यह अनुमान लगाने के बजाय कि तूफान कहाँ हो सकता है, यह प्रणाली बादलों द्वारा उत्सर्जित प्रकाश और ऊष्मा के सूक्ष्म पैटर्न को पहचानना सीखती है। यह बादलों के शीर्ष के तापमान और उनके ऊपर की हवा में नमी को देखती है, और फिर छवि के प्रत्येक बिंदु को चार श्रेणियों में से एक में वर्गीकृत करती है: कोई तूफान नहीं, एक कमजोर तूफान, एक मजबूत तूफान, या एक बहुत ही तीव्र तूफान। शोधकर्ताओं ने इस प्रणाली को 2021 के प्री-मानसून सीजन के दौरान ली गई 6.5 लाख से अधिक छोटी उपग्रह छवियों के स्लाइस का उपयोग करके प्रशिक्षित किया, जिससे इसे विभिन्न प्रकार की क्लाउड गतिविधि के बीच अंतर करना सिखाया गया।
यह देखने के लिए कि क्या यह प्रणाली वास्तव में काम करती है, टीम ने 2018 और 2024 के बीच पूर्वोत्तर भारत में हुई दस अलग-अलग आंधी-तूफान की घटनाओं के वास्तविक डेटा के विरुद्ध इसका परीक्षण किया। उन्होंने एआई (AI) की भविष्यवाणियों की तुलना दो स्वतंत्र स्रोतों से की: बिजली गिरने की निगरानी करने वाला एक वैश्विक नेटवर्क और जीपीएम आईमर्ग (GPM IMERG) नामक एक उपग्रह-आधारित वर्षा मानचित्र। परिणामों से पता चला कि यह प्रणाली तूफान के सबसे खतरनाक हिस्सों की पहचान करने में काफी अच्छी है। जब एआई ने किसी क्षेत्र को "बहुत गहरे नम" (very deep moist) बादल के रूप में चिह्नित किया, तो यह लगभग हमेशा उस स्थान के अनुरूप था जहाँ बिजली चमक रही थी या भारी बारिश हो रही थी। इस प्रणाली ने सर्वोत्तम परिस्थितियों में एक मानक मीट्रिक के तहत 0.4 से 0.6 के बीच सफलता दर हासिल की, जो इतने कठिन कार्य के लिए एक मजबूत प्रदर्शन है। शोधकर्ताओं ने यह भी पाया कि जब उन्होंने स्थान की त्रुटि के लिए एक छोटा मार्जिन स्वीकार किया, तो सिस्टम की सटीकता में सुधार हुआ, क्योंकि हवा और तूफानों के चलने के तरीके के कारण बारिश अक्सर बादल के सबसे ठंडे हिस्से से थोड़ा दूर गिरती है।
हालांकि, अध्ययन ने यह भी उजागर किया कि यह प्रणाली कहाँ सीमाओं का सामना करती है, विशेष रूप से जब भूभाग ढालदार हो जाता है। निचले इलाकों और पहाड़ियों में एआई का प्रदर्शन लगातार अच्छा रहा। लेकिन जैसे ही ऊंचाई 2,000 मीटर और विशेष रूप से 3,000 मीटर से ऊपर बढ़ी, बारिश की भविष्यवाणी करने की प्रणाली की क्षमता काफी कम हो गई। ऐसा इसलिए है क्योंकि ऊंचे पहाड़ अपने स्वयं के मौसम पैटर्न बनाते हैं; चोटियों के ऊपर बिना बारिश पैदा किए भी ठंडे बादल बन सकते हैं, या बारिश को इलाके द्वारा इस तरह रोका जा सकता है जिसे उपग्रह ऊपर से आसानी से नहीं देख पाता। शोधकर्ताओं ने यह भी नोट किया कि यह प्रणाली सघन, तीव्र तूफान के केंद्रों को पहचानने में सबसे अच्छी है। जब तूफान बादलों की एक विशाल, फैलती हुई चादर जैसा होता है जिसमें केवल कमजोर बारिश होती है, तो एआई कभी-कभी वर्षा को पहचानने में चूक जाता है क्योंकि इसे उन तीव्र, गहरे अपड्राफ्ट्स (ऊपर की ओर उठती हवा) को खोजने के लिए प्रशिक्षित किया गया है जो गंभीर तूफानों की विशेषता हैं।
अंततः, यह कार्य प्रदर्शित करता है कि डीप लर्निंग उन क्षेत्रों में गंभीर मौसम की निगरानी के लिए एक शक्तिशाली उपकरण हो सकता है जहाँ जमीनी रडार की कमी है। उपग्रह डेटा को पहाड़ों और तूफान की संरचनाओं के वर्षा पर पड़ने वाले प्रभाव की समझ के साथ जोड़कर, जियोकॉनवनेट प्रणाली सबसे खतरनाक संवहनी बादलों (convective clouds) को पहचानने का एक विश्वसनीय तरीका प्रदान करती है। हालांकि यह पूर्ण नहीं है, विशेष रूप से उच्च ऊंचाई वाले क्षेत्रों या कमजोर तूफान चरणों के दौरान, लेकिन यह उपग्रह छवियों को इस जानकारी में बदलने का एक भौतिक रूप से सार्थक तरीका प्रदान करता है कि तूफ़ान कहाँ टकराने की संभावना है। यह दृष्टिकोण पूर्वोत्तर भारत के समुदायों के लिए प्रारंभिक चेतावनी में सुधार करने में मदद कर सकता है, जिससे उन्हें अचानक और शक्तिशाली तूफानों से निपटने के लिए अधिक समय मिल सके जो अक्सर इस क्षेत्र में आते हैं।
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।