Short-term predictive skill does not imply identification of long-term tree-growth trajectories in an Amazonian high-várzea forest
यद्यपि रिचर्ड्स और लुन्डक्विस्ट-कोर्फ विकास मॉडल अमेज़ॅनियन हाई-वारज़िया वनों में वृक्षों के व्यास के लिए सटीक अल्पकालिक भविष्य कहनेवाला कौशल प्रदर्शित करते हैं, फिर भी वे देखे गए डेटा क्षितिज से परे मॉडल मापदंडों के प्रति बढ़ती संवेदनशीलता के कारण दीर्घकालिक विकास प्रक्षेपवक्रों को विश्वसनीय रूप से पहचानने या जीवनकाल अनुमानों और कटाई-चक्र संबंधी निष्कर्षों का समर्थन करने में विफल रहते हैं।
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
अमेज़न के विशाल, नम जंगलों में, जहाँ पेड़ों का विकास नदियों के उत्थान और पतन द्वारा निर्धारित लय में होता है, वनपालों (foresters) के सामने एक कठिन पहेली होती है: इन जंगलों को नष्ट किए बिना इनका प्रबंधन कैसे किया जाए। इन निर्णयों को लेने के लिए, उन्हें यह जानने की आवश्यकता होती है कि पेड़ कितनी तेज़ी से बढ़ते हैं और वे अंततः कितने बड़े होंगे। यह जानकारी यह निर्धारित करने में मदद करती है कि लकड़ी की कटाई कब सुरक्षित है और जंगल को कब तक उबरने देना चाहिए। हालाँकि, उष्णकटिबंधीय पेड़ का विकास मापना कठिन है क्योंकि ये पेड़ सदियों तक जीवित रहते हैं, जो किसी भी मानव शोधकर्ता के देखने के समय से कहीं अधिक लंबा है। वैज्ञानिक अक्सर स्थायी भूखंडों (permanent plots) पर निर्भर होते हैं, जहाँ वे कुछ वर्षों में एक ही पेड़ को मापते हैं, ताकि विकास का अनुमान लगाया जा सके। चुनौती यह है कि अवलोकन की एक छोटी अवधि यह दिखा सकती है कि एक पेड़ लगातार बढ़ रहा है, लेकिन यह गारंटी नहीं देता कि उस विकास की भविष्यवाणी करने के लिए उपयोग किया गया मॉडल दशकों भविष्य में भी सटीक बना रहेगा। यदि मॉडल दीर्घकालिक प्रक्षेपवक्र (trajectory) के बारे में गलत है, तो यह ऐसी कटाई योजनाओं की ओर ले जा सकता है जो बहुत आक्रामक या बहुत रूढ़िवादी हों, जिससे जंगल की पुनरुद्धार करने की क्षमता को नुकसान पहुँच सकता है।
शोधकर्ताओं की एक टीम ने ठीक इसी समस्या का परीक्षण करने के लिए एक हाई-वार्ज़िया (high-várzea) वन में काम किया, जो एक प्रकार का अमेज़ोनियन बाढ़ का मैदान है जिसे नदियों से पोषक तत्वों से भरपूर तलछट प्राप्त होती है। उन्होंने लगभग एक दशक के दौरान छह बड़े, एक-हेक्टेयर के भूखंडों से एकत्र किए गए एक विशाल डेटासेट पर काम किया। टीम ने हजारों जीवित पेड़ों को ट्रैक किया, और कुछ समय अंतरालों (जिनकी अवधि एक वर्ष से कम से लेकर लगभग चार वर्ष तक थी) की शुरुआत और अंत में उनके तने की चौड़ाई को मापा। उन्होंने दो अलग-अलग गणितीय दृष्टिकोणों का उपयोग किया, जिन्हें आयु-स्वतंत्र विकास मॉडल (age-independent growth models) कहा जाता है, जो पेड़ के अज्ञात आयु के बजाय उसके वर्तमान आकार और बीते हुए समय के आधार पर उसके भविष्य के आकार की भविष्यवाणी करते हैं। ये मॉडल लोकप्रिय हैं क्योंकि इनके लिए पेड़ की आयु जानना आवश्यक नहीं है, जो क्षेत्र में निर्धारित करना अक्सर असंभव होता है। शोधकर्ता यह देखना चाहते थे कि क्या ये मॉडल अगले कुछ वर्षों में पेड़ों के आकार की सटीक भविष्यवाणी कर सकते हैं, और अधिक महत्वपूर्ण रूप से, क्या उस अल्पकालिक सटीकता का अर्थ यह था कि वे पेड़ों की पूरी जीवन कहानी को भी विश्वसनीय रूप से बता सकते हैं।
अध्ययन में पाया गया कि अल्प अवधि के लिए, मॉडल बहुत अच्छी तरह से काम करते हैं। जब शोधकर्ताओं ने एक समय में एक पूरे भूखंड के डेटा को छिपाकर मॉडलों का परीक्षण किया और छिपे हुए भूखंड के पेड़ों की भविष्यवाणी करने के लिए कहा, तो भविष्यवाणियाँ केवल यह मानने की तुलना में काफी बेहतर थीं कि पेड़ बिल्कुल नहीं बढ़ेंगे। मॉडलों ने पूरे वन समुदाय के लिए अंतिम पेड़ के आकार की भविष्यवाणी करने में औसतन लगभग 24 प्रतिशत और विशेष रूप से व्यावसायिक रूप से मूल्यवान प्रजातियों के समूह के लिए लगभग 27 प्रतिशत की त्रुटि को कम किया। यह सफलता तब भी बनी रही जब शोधकर्ताओं ने मॉडलों का परीक्षण उन भविष्य के समय अवधियों के विरुद्ध किया जो प्रशिक्षण चरण के दौरान देखे नहीं गए थे। उनके द्वारा परीक्षण किए गए दो अलग-अलग गणितीय दृष्टिकोण लगभग समान रूप से कार्य करते थे, जिससे पता चलता है कि अगले कुछ वर्षों के विकास की भविष्यवाणी करने के उद्देश्य से, समीकरण का विशिष्ट आकार उतना महत्वपूर्ण नहीं है जितना कि इस तथ्य का महत्व है कि वह विकास के बुनियादी पैटर्न को पकड़ता है।
हालाँकि, अध्ययन ने एक महत्वपूर्ण चेतावनी दी जब इसने उन कुछ वर्षों से आगे देखा। जबकि मॉडल अगले इन्वेंट्री चेक में क्या होने वाला है, इसकी भविष्यवाणी करने में उत्कृष्ट थे, वे पेड़ों के वास्तविक दीर्घकालिक पथ की पहचान करने में विफल रहे। शोधकर्ताओं ने पाया कि मॉडल यह निर्धारित करने में असमर्थ थे कि एक पेड़ अंततः किस अधिकतम आकार तक पहुँचेगा, जिसे 'एसिम्प्टोट' (asymptote) कहा जाता है। चूँकि डेटा केवल पेड़ के जीवन के कुछ वर्षों को कवर करता था, इसलिए मॉडल गणितीय रूप से यह तय करने में असमर्थ थे कि क्या एक पेड़ एक निश्चित आकार पर रुक जाएगा या बहुत बड़ा होता रहेगा। जब शोधकर्ताओं ने दशकों तक विकास का अनुमान लगाने के लिए इन मॉडलों का उपयोग किया, तो परिणाम बेतहाशा अलग होने लगे। एक विशिष्ट आकार से शुरू होने वाला पेड़ एक अनुमान के तहत एक ऊंचाई तक पहुँच सकता है, लेकिन दूसरे सेट के अनुमानों के तहत पूरी तरह से अलग ऊंचाई तक पहुँच सकता है, भले ही दोनों सेट अल्पकालिक डेटा के साथ पूरी तरह फिट बैठते हों।
शोधकर्ताओं ने निष्कर्ष निकाला कि अल्पकालिक भविष्य कहनेवाला कौशल (predictive skill), दीर्घकालिक पहचान (identification) का संकेत नहीं है। केवल इसलिए कि एक मॉडल तीन वर्षों में एक पेड़ के आकार की सटीक भविष्यवाणी कर सकता है, इसका मतलब यह नहीं है कि उसने पेड़ के जीवन भर के विकास वक्र (growth curve) को समझ लिया है। अल्प अंतराल में अदृश्य रहने वाली अनिश्चितता समय के साथ संचित होकर विशाल हो जाती है। व्यावसायिक रूप से सूचीबद्ध प्रजातियों के लिए, 90 वर्षों के बाद अनुमानित आकार में अंतर 32 सेंटीमीटर तक बड़ा हो सकता है, जो वन प्रबंधन के लिए एक ऐसा अंतर है जिसे अनदेखा नहीं किया जा सकता। अध्ययन स्पष्ट रूप से कहता है कि इन दीर्घकालिक अनुमानों को पूर्वानुमान के रूप में नहीं माना जाना चाहिए और न ही लकड़ी की कटाई के चक्र निर्धारित करने के लिए उपयोग किया जाना चाहिए। इसके बजाय, वे सशर्त परिदृश्य (conditional scenarios) हैं जो यह दिखाते हैं कि मॉडल के अज्ञात हिस्सों के प्रति परिणाम कितने संवेदनशील हैं। वास्तविक सबक यह है कि वन प्रबंधक केवल एक ऐसे मॉडल पर भरोसा नहीं कर सकते जो अगले कुछ वर्षों के लिए काम करता है और मान लेते हैं कि यह अगले कुछ दशकों के लिए भी काम करेगा। जंगल के भविष्य के बारे में निर्णय लेने के लिए, उन्हें बहुत लंबी अवधि के डेटा की आवश्यकता है, जैसे कि वृक्ष वलय (tree rings) या दीर्घकालिक निगरानी, न कि केवल अल्पकालिक मापों पर निर्भर रहना।
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।