CSFMamba: A FrFT-Enhanced Cross-State Fusion Network for GNSS-R Sea Surface Height Retrieval in Complex Coastal Waters

महासागर कभी स्थिर नहीं होता। इसकी सतह चंद्रमा के खिंचाव, हवा के दबाव और नदियों के प्रवाह के साथ ऊपर-नीचे होती रहती है, जिससे एक निरंतर बदलता हुआ परिदृश्य बनता है जिसे अंतरिक्ष से मानचित्रित करना कठिन होता है। दशकों से, वैज्ञानिकों ने समुद्र की ऊँचाई मापने के लिए उपग्रहों का उपयोग किया है, जो जलवायु परिवर्तन को समझने, तूफ़ानों की भविष्यवाणी करने और जहाजों के संचालन के लिए एक महत्वपूर्ण कार्य है। हालाँकि, खुले महासागर को देखना एक बात है; तट को देखना दूसरी बात है। भूमि के पास, पानी उथला होता है, ज्वार-भाटा अनियंत्रित होता है, और उपग्रह से आने वाला संकेत पानी से टकराने से पहले समुद्र तट या पास के द्वीप से टकराकर वापस आ सकता है, जिससे उपकरण भ्रमित हो जाते हैं। यह "तटीय समस्या" दुनिया के समुद्रों की निगरानी करने की हमारी क्षमता में लंबे समय से एक अदृश्य बाधा रही है।

इसे हल करने के लिए, शोधकर्ता उन्हीं संकेतों का उपयोग करने की एक चतुर तकनीक की ओर मुड़ रहे हैं जो हमारे स्मार्टफोन को निर्देशित करते हैं। पृथ्वी की कक्षा में घूमते उपग्रह लगातार नेविगेशन सिग्नल नीचे भेजते हैं। जब ये संकेत समुद्र से टकराते हैं, तो वे सतह से टकराकर वापस लौटते हैं, कभी-कभी किसी अन्य उपग्रह तक। सिग्नल को यात्रा करने में लगने वाले समय और टकराने के बाद इसके आकार में होने वाले बदलाव को मापकर, वैज्ञानिक पानी की ऊँचाई की गणना कर सकते हैं। यह विधि, जिसे GNSS-R कहा जाता है, गहरे, खुले महासागर के ऊपर बहुत अच्छी तरह काम करती है। लेकिन जटिल तटीय जल में, ये संकेत अव्यवस्थित हो जाते हैं। प्रतिबिंब लहरों की खुरदरापन, सूर्य के कोण और पास की भूमि के हस्तक्षेप से विकृत हो जाता है। पारंपरिक विधियाँ, जो इन त्रुटियों को सुधारने के लिए निश्चित भौतिक सूत्रों पर निर्भर करती हैं, अक्सर इन अराजक वातावरणों में संघर्ष करती हैं, जिससे गलत माप प्राप्त होते हैं।

इस विशिष्ट चुनौती से निपटने के लिए, चीन के गुइलिन यूनिवर्सिटी ऑफ टेक्नोलॉजी के शोधकर्ताओं की एक टीम ने बेइबूм गल्फ (Beibu Gulf) पर ध्यान केंद्रित करते हुए एक नया दृष्टिकोण विकसित किया है, जो दक्षिण चीन सागर में एक अर्ध-बंद खाड़ी है और अपने जटिल ज्वार-भाटा तथा मानसून-प्रेरित मौसम के लिए जानी जाती है। उन्होंने CSFMamba नामक एक नया कंप्यूटर सिस्टम बनाया, जो एक ऐसे कृत्रिम बुद्धिमत्ता (AI) प्रकार का उपयोग करता है जो केवल कठोर नियमों का पालन करने के बजाय जटिल पैटर्न से सीखने के लिए डिज़ाइन किया गया है। बिखरे हुए तटीय डेटा को एक सरल समीकरण में जबरदस्ती फिट करने के बजाय, यह प्रणाली सिग्नल के परावर्तित आकार और पानी की वास्तविक ऊँचाई के बीच सूक्ष्म संबंधों को पहचानने के लिए सीखती है, भले ही स्थितियाँ कठिन क्यों न हों।

इनकी नवीनता का मूल इस बात में निहित है कि यह प्रणाली डेटा को कैसे संसाधित करती है। कच्ची जानकारी एक 'डिले-डॉप्लर मैप' (delay-Doppler map) के रूप में आती है, जो अनिवार्य रूप से समुद्र से टकराकर लौटने वाले सिग्नल की ऊर्जा का एक विस्तृत स्नैपशॉट है। खुले महासागर में, यह स्नैपशॉट आमतौर पर स्पष्ट होता है, लेकिन तट के पास, यह अक्सर धुंधला और शोर युक्त होता है। शोधकर्ताओं ने इन धुंधले स्नैपशॉट को स्पष्ट करने के लिए 'फ्रैक्शनल फूरियर ट्रांसफॉर्म' (fractional Fourier transform) नामक एक गणितीय तकनीक का उपयोग किया, जिससे पानी की सतह के छिपे हुए पैटर्न अधिक दृश्यमान हो गए। इसके बाद उन्होंने इस उन्नत डेटा को एक 'डुअल-ब्रांच न्यूरल नेटवर्क' में फीड किया। नेटवर्क की एक शाखा एक दृश्य विशेषज्ञ की तरह कार्य करती है, जो सिग्नल मैप के आकार और बनावट का अध्ययन करके स्थानीय समुद्री स्थिति को समझती है। दूसरी शाखा एक संदर्भ विशेषज्ञ की तरह कार्य करती है, जो हवा की गति, वर्षा, उपग्रह के कोण और दिन के समय सहित संख्याओं की एक विस्तृत श्रृंखला का विश्लेषण करती है।

जो चीज़ इस प्रणाली को अद्वितीय बनाती है वह है इन दोनों शाखाओं का आपस में संवाद करना। कई पिछले मॉडलों में, विभिन्न प्रकार के डेटा को बस एक साथ जोड़ दिया जाता था या जोड़ दिया जाता था, जो अक्सर पर्यावरण और सिग्नल के आकार के बीच के प्रभाव को पकड़ने में विफल रहता था। CSFMamba प्रणाली 'क्रॉस-स्टेट फ्यूजन' (cross-state fusion) नामक एक तंत्र का उपयोग करती है, जो दृश्य और संख्यात्मक शाखाओं को वर्तमान स्थिति के आधार पर अपने ध्यान को गतिशील रूप से समायोजित करने की अनुमति देता है। यदि हवा तेज है, तो प्रणाली हवा के डेटा को अधिक महत्व देने के लिए सीखती है; यदि सिग्नल भूमि द्वारा विकृत है, तो यह उपग्रह की ज्यामितीय स्थिति पर अधिक भरोसा करना सीखती है। यह गतिशील अंतःक्रिया मॉडल को बेइबूम गल्फ की विशिष्ट, अराजक स्थितियों के अनुकूल होने की अनुमति देती है, जैसा कि स्थिर मॉडल नहीं कर सकते।

शोधकर्ताओं ने 2021 और 2022 के डेटा का उपयोग करके अपने सिस्टम का परीक्षण किया, और स्थापित वैश्विक समुद्र स्तर मॉडलों के विरुद्ध इसकी तुलना की। परिणाम आश्चर्यजनक थे। चार महीने की परीक्षण अवधि के दौरान, सिस्टम ने औसतन केवल 0.53 मीटर की त्रुटि हासिल की, जो मौजूदा तरीकों की तुलना में एक महत्वपूर्ण सुधार है। इसे समझने के लिए, यदि आप नाव पर खड़े व्यक्ति की ऊँचाई मापने की कोशिश कर रहे हों, तो सटीकता का यह स्तर इसका अर्थ है कि आप उच्च विश्वास के साथ एक बच्चे और एक वयस्क के बीच अंतर बता सकते हैं, भले ही नाव डगमगा रही हो। सिस्टम ने शांत संक्रमण काल से लेकर अशांत ग्रीष्मकालीन मानसून तक, विभिन्न मौसमों में इस उच्च स्तर की सटीकता बनाए रखी, जिससे सिद्ध हुआ कि यह क्षेत्र के बदलते मौसम के पैटर्न को संभाल सकता है।

यह सुनिश्चित करने के लिए कि सिस्टम वास्तव में सही चीजें सीख रहा है न कि केवल डेटा को याद कर रहा है, शोधकर्ताओं ने परीक्षणों की एक श्रृंखला आयोजित की जहाँ उन्होंने मॉडल के विशिष्ट हिस्सों को हटा दिया। उन्होंने पाया कि सबसे महत्वपूर्ण घटक वह 'फ्यूजन मैकेनिज्म' था जो दोनों शाखाओं को परस्पर क्रिया करने की अनुमति देता था। जब इस भाग को हटा दिया गया, तो त्रुटि दर दोगुनी से अधिक हो गई, जिससे सिस्टम का प्रदर्शन उस स्तर तक गिर गया जहाँ अब सटीक माप के लिए इस पर भरोसा नहीं किया जा सकता था। इसने पुष्टि की कि दृश्य सिग्नल पैटर्न को पर्यावरणीय संदर्भ के साथ मिलाने की क्षमता ही सफलता की कुंजी थी। इसके अलावा, सिस्टम के आंतरिक विश्लेषण ने दिखाया कि इसने भौगोलिक स्थान और हवा की गति जैसे सबसे महत्वपूर्ण कारकों की सही पहचान की, जो समुद्र के व्यवहार के बारे में हमारी भौतिक समझ के अनुरूप है।

अध्ययन ने पारंपरिक डीप लर्निंग और नए अटेंशन-आधारित आर्किटेक्चर सहित अन्य उन्नत कृत्रिम बुद्धिमत्ता मॉडलों के विरुद्ध भी इस नई प्रणाली की तुलना की। CSFMamba सिस्टम ने अपने प्रतिस्पर्धियों को लगातार पछाड़ दिया, जिससे मौजूदा सर्वोत्तम विकल्पों की तुलना में औसत त्रुटि में लगभग एक चौथाई की कमी आई। यह सुझाव देता है कि जटिल तटीय वातावरण के लिए, इस नए मॉडल का विशिष्ट आर्किटेक्चर पिछले दृष्टिकोणों की तुलना में इस कार्य के लिए अधिक उपयुक्त है। शोधकर्ताओं ने उल्लेख किया कि हालांकि यह प्रणाली मुख्य खाड़ी में अच्छी तरह से काम करती है, लेकिन इसे सबसे कठिन क्षेत्रों, जैसे कि बंदरगाहों के ठीक बगल में या संकीवार नदी मुहानों में चुनौतियों का सामना करना पड़ता है जहाँ भूमि का हस्तक्षेप अत्यधिक होता है। ये क्षेत्र अभी भी कठिन हैं क्योंकि वहां के सिग्नल पास की भूगोल द्वारा इतने भारी रूप से विकृत होते हैं कि सबसे उन्नत लर्निंग मॉडल भी स्पष्ट पैटर्न खोजने में संघर्ष करते हैं।

इन शेष चुनौतियों के बावजूद, यह कार्य हमारी तट रेखाओं की निगरानी करने की क्षमता में एक महत्वपूर्ण प्रगति का प्रतिनिधित्व करता है। बेइबूम गल्फ में इस नई पद्धति को सफलतापूर्वक लागू करके, शोधकर्ताओं ने प्रदर्शित किया है कि सबसे अशांत और जटिल तटीय जल में भी अंतरिक्ष से सटीक समुद्र स्तर डेटा प्राप्त करना संभव है। यह क्षमता तटीय बाढ़ की बेहतर निगरानी, तूफानी लहरों (storm surge) की अधिक सटीक भविष्यवाणी और दुनिया के सबसे घनी आबादी वाले क्षेत्रों को बढ़ते समुद्र के स्तर कैसे प्रभावित कर रहे हैं, इसकी गहरी समझ के द्वार खोलती है। CSFMamba प्रणाली की सफलता यह सुझाव देती है कि तटीय समुद्र विज्ञान का भविष्य सरल सूत्रों में नहीं, बल्कि उन बुद्धिमान प्रणालियों में निहित है जो वास्तविक दुनिया की अव्यवस्थित और सुंदर जटिलताओं के बीच रास्ता बनाना सीख सकती हैं।