Input-Architecture Synergy in Precipitation Nowcasting: Assessing the Need for Physical Anchors using the ANDeL Framework as a Case Study

पश्चिम अफ्रीका में खड़े होने की कल्पना करें, जहाँ आकाश एक घंटे के भीतर साफ नीले रंग से मूसलाधार बारिश में बदल सकता है। उन किसानों के लिए जो अपनी फसल की कटाई की योजना बना रहे हैं और उन अधिकारियों के लिए जो बाढ़ के जोखिमों का प्रबंधन कर रहे हैं, यह जानना कि अगले कुछ घंटों में बारिश वास्तव में कहाँ होगी, जीवन और मृत्यु का प्रश्न है। यह "नाउकास्टिंग" (nowcasting) की चुनौती है: मौसम की भविष्यवाणी करना जो वर्तमान के इतने करीब हो कि पारंपरिक कंप्यूटर मॉडल, जिन्हें शुरू होने और स्थिर होने के लिए समय चाहिए होता है, अक्सर विफल हो जाते हैं। हाल के वर्षों में, वैज्ञानिकों ने आर्टिफिशियल इंटेलिजेंस (AI) की ओर रुख किया है, ताकि वे कंप्यूटर को बारिश के बादलों में पैटर्न पहचानना सिखा सकें, ठीक वैसे ही जैसे एक इंसान करता है। हालाँकि, इस क्षेत्र में लंबे समय से एक बहस चल रही है कि इन मशीनों को सिखाने का सबसे अच्छा तरीका क्या है। मॉडलों का एक समूह भविष्य की भविष्यवाणी चरण-दर-चरण करने की कोशिश करता है, जैसे कोई व्यक्ति पिछले फ्रेम के आधार पर फिल्म के अगले फ्रेम का अनुमान लगाता है। दूसरा समूह एक ही बार में पूरी तस्वीर देखता है, यानी एक ही नज़र में पूरे भविष्य के क्रम की भविष्यवाणी करता है। लंबे समय तक, शोधकर्ताओं ने माना कि चरण-दर-चरण दृष्टिकोण स्वाभाविक रूप से गलतियाँ करने के प्रति संवेदनशील है क्योंकि जैसे-जैसे भविष्यवाणी भविष्य की ओर बढ़ती है, यह त्रुटिपूर्ण होती जाती है, जबकि एकल-नज़र (single-glance) वाला दृष्टिकोण अधिक स्थिर है लेकिन चलते हुए तूफानों को ट्रैक करने में संघर्ष करता है।

घाना और यूनाइटेड किंगडम के शोधकर्ताओं द्वारा किए गए एक नए अध्ययन ने इस सरल विभाजन को चुनौती दी है। उन्होंने यह देखने के लिए प्रयास किया कि क्या इन विभिन्न एआई मॉडलों का प्रदर्शन उनके आंतरिक डिज़ाइन के बजाय उन्हें दी जाने वाली विशिष्ट जानकारी पर निर्भर करता है। टीम ने वायुमंडल और भूमि के बीच जटिल अंतःक्रियाओं पर ध्यान केंद्रित किया, और यह परीक्षण किया कि क्या ज़मीन के बारे में डेटा जोड़ने से—जैसे मिट्टी की नमी और उस पर मौजूद वनस्पति का प्रकार—चरण-दर-चरण मॉडलों के लिए एक स्थिर करने वाली शक्ति के रूप में कार्य किया जा सकता है। उनका काम बताता है कि उत्तर एक जोरदार 'हाँ' है, लेकिन एक महत्वपूर्ण चेतावनी के साथ: यह पाते हुए कि कंप्यूटर को दी जाने वाली जानकारी को सावधानीपूर्वक चुनकर, वे चरण-दर-चरण मॉडलों को भटकने से रोक सकते हैं, जिससे वे विशेष रूप से तब बेहतर प्रदर्शन कर सकते हैं जब स्थिर भूमि डेटा उपलब्ध हो, जबकि अत्यधिक अस्थिर वायुमंडलीय इनपुट मिलने पर वे विफल हो जाते हैं।

शोधकर्ताओं ने पूरे वर्ष 2020 के डेटा का उपयोग करके एक परिष्कृत परीक्षण आधार बनाया, जो पश्चिम अफ्रीका के एक विशाल क्षेत्र में फैला हुआ है, जिसमें उत्तर में शुष्क सहारा से लेकर दक्षिण में आर्द्र तट तक शामिल है। उन्होंने अगले ढाई घंटों के लिए वर्षा की भविष्यवाणी करने के लिए दो प्रकार के आर्टिफिशियल इंटेलिजेंस मॉडल प्रशिक्षित किए। पहला प्रकार, जिसे 'ऑटोरिग्रेसिव' (autoregressive) कहा जाता है, पुनरावर्ती रूप से कार्य करता है; यह एक ऐसी भविष्यवाणी लेता है जो उसने अभी-अभी की है और उसे अगले क्षण को उत्पन्न करने के लिए वापस स्वयं में फीड करता है, बिल्कुल एक श्रृंखला अभिक्रिया (chain reaction) की तरह। दूसरा प्रकार, 'नॉन-ऑटोरिग्रेसिव' (non-autoregressive), सभी भविष्य के क्षणों को एक साथ उत्पन्न करता है, समय को एक अनुक्रम के बजाय एक एकल ब्लॉक के रूप में मानता है। इन मॉडलों की प्रतिक्रियाओं का परीक्षण करने के लिए, टीम ने सत्रह अलग-अलग प्रयोग चलाए। कुछ में, मॉडलों को केवल वर्षा का डेटा दिखाया गया। अन्य में, उन्हें हवा की गति और आर्द्रता जैसे वायुमंडलीय चरों या ऊंचाई और मिट्टी की नमी जैसे स्थिर भूमि विशेषताओं का मिश्रण दिया गया।

परिणामों ने एक आश्चर्यजनक विषमता को प्रकट किया। जब चरण-दर-चरण मॉडलों को केवल वर्षा डेटा दिया गया, तो उन्होंने उचित प्रदर्शन किया। हालाँकि, जब शोधकर्ताओं ने अत्यधिक अस्थिर वायुमंडलीय डेटा, जैसे तेजी से बदलते ओसांक (dew point) तापमान या वायुमंडलीय चरों का पूरा सेट जोड़ा, तो चरण-दर-चरण मॉडल नाटकीय रूप से विफल होने लगे। उनकी भविष्यवाणियाँ धुंधली और अवास्तविक हो गईं, जिससे तूफान के बादलों के स्पष्ट आकार खो गए और बारिश उन क्षेत्रों में फैल गई जहाँ नहीं होनी चाहिए थी। इसने इस लंबे समय से चली आ रही आशंका की पुष्टि की कि ये मॉडल अस्थिर इनपुट के संपर्क में आने पर त्रुटि संचय (error accumulation) के प्रति संवेदनशील होते हैं। फिर भी, कहानी पूरी तरह से बदल गई जब शोधकर्ताओं ने धीमी गति से चलने वाले, स्थिर डेटा को पेश किया। जब चरण-दर-चरण मॉडलों को मिट्टी की नमी या भूमि आवरण के बारे में जानकारी दी गई, तो उनके प्रदर्शन में उल्लेखनीय सुधार हुआ। ये स्थिर विवरण लंगर (anchors) के रूप में कार्य करते हैं, जो मॉडल की भविष्यवाणियों को परिदृश्य की भौतिक वास्तविकता में स्थापित करते हैं और उन्हें निरर्थक दिशा में भटकने से रोकते हैं।

इसके विपरीत, एकल-नज़र वाले मॉडल उल्लेखनीय रूप से मजबूत साबित हुए। उन्होंने अराजक, उच्च-मात्रा वाले वायुमंडलीय डेटा को आसानी से संभाला, और अक्सर जटिल चरों के पूर्ण सेट के साथ भारी वर्षा की भविष्यवाणी करने में भारी सुधार दिखाया। वे जटिल डेटा से अभिभूत होने पर चरण-दर-चरण मॉडलों की तरह ढह नहीं गए। हालाँकि, वे लंबे समय तक तूफान की संरचना को बनाए रखने में चरण-दर-चरण मॉडलों जितने सक्षम नहीं थे। अध्ययन ने पाया कि भारी वर्षा की घटनाओं के लिए, मिट्टी की नमी के डेटा के साथ जुड़े चरण-दर-चरण मॉडल ने 0.2087 का क्रिटिकल सक्सेस इंडेक्स प्राप्त किया, जो परीक्षण किए गए सभी कॉन्फ़िगरेशन में उच्चतम स्कोर था। यह केवल वर्षा डेटा के साथ इसके आधारभूत प्रदर्शन (जो 0.1944 था) से एक उल्लेखनीय उछाल था। इस बीच, एकल-नज़र वाले मॉडल, जो जटिल वायुमंडलीय इनपुट के साथ तूफानों की तीव्रता को पकड़ने में उत्कृष्ट थे, लंबे समय तक स्थानिक सटीकता बनाए रखने में समर्थ नहीं थे।

शोधकर्ताओं ने देखा कि दो अलग-अलग मॉडलिंग दृष्टिकोणों के बीच चुनाव किसी भी स्थिति के लिए एक विजेता चुनने का मामला नहीं है। इसके बजाय, सबसे अच्छा दृष्टिकोण पूरी तरह से उपलब्ध डेटा की गुणवत्ता और प्रकृति पर निर्भर करता है। यदि इनपुट डेटा शोर युक्त और तेजी से बदलने वाला है, तो एकल-नज़र वाला मॉडल अधिक सुरक्षित और विश्वसनीय विकल्प है। लेकिन यदि सिस्टम में भूमि के बारे में स्थिर, धीरे-धीरे बदलने वाली जानकारी शामिल है, तो चरण-दर-चरण मॉडल को बेहतर, दीर्घकालिक भविष्यवाणियाँ करने के लिए निर्देशित किया जा सकता है। यह निष्कर्ष बताता है कि मौसम के पूर्वानुमान का भविष्य एक एकल आदर्श एल्गोरिदम खोजने में नहीं, बल्कि ऐसे सिस्टम बनाने में है जो अपने डेटा के प्रति जागरूक हों। ऐसे सिस्टम गतिशील रूप से रणनीतियों के बीच स्विच कर सकते हैं, जब संभव हो तो चरण-दर-चरण भविष्यवाणियों को निर्देशित करने के लिए भूमि की स्थिरता का उपयोग कर सकते हैं, जबकि जब वायुमंडल बहुत अराजक हो तो एकल-नज़र वाले दृष्टिकोण की मजबूती पर भरोसा कर सकते हैं।

अंततः, यह कार्य प्रतिस्पर्धी आर्किटेक्चर के बीच एक लड़ाई से हटकर डेटा और डिज़ाइन के एक साथ काम करने की अधिक सूक्ष्म समझ की ओर ले जाता है। अध्ययन दर्शाता है कि "ड्रिफ्ट" (भटकना), जिसे अक्सर चरण-दर-चरण विधि के लिए दोष माना जाता है, एक अपरिहार्य खामी नहीं है, बल्कि संदर्भ की कमी या अस्थिर इनपुट के संपर्क में आने का लक्षण है। सही भौतिक लंगर, विशेष रूप से मिट्टी की नमी प्रदान करके, शोधकर्ताओं ने दिखाया कि इन मॉडलों को उल्लेखनीय सटीकता के साथ तूफानों को ट्रैक करने के लिए स्थिर किया जा सकता है। यह अंतर्दृष्टि उन क्षेत्रों में मौसम के पूर्वानुमानों में सुधार के लिए एक व्यावहारिक मार्ग प्रदान करती है जहाँ वर्षा अप्रत्याशित है और दांव ऊंचे हैं, यह सिद्ध करते हुए कि कभी-कभी भविष्य की भविष्यवाणी करने की कुंजी हमारे पैरों के नीचे की जमीन को याद रखना ही होता है।