Probabilistic recovery of high-impact urban convective rainfall from radar-assimilation experiments using conditional diffusion and distributional attribution

बारिश कहाँ गिरेगी, इसका पूर्वानुमान लगाना मौसम विज्ञान के सबसे कठिन कार्यों में से एक है, विशेष रूप से तब जब वह बारिश किसी शहर के ऊपर छोटे, हिंसक झोंकों के रूप में आती है। निरंतर, व्यापक बौछारों के विपरीत जो पूरे क्षेत्र को कवर करती हैं, ये संवहनी तूफान (convective storms) इतनी गति से बन और चल सकते हैं कि उनके शुरुआती स्थान का अनुमान लगाने में एक छोटी सी त्रुटि भी पूर्वानुमान में भारी गलती का कारण बन सकती है। यदि कोई कंप्यूटर मॉडल किसी तूफान को कुछ मील दूर रख देता है, तो शहर को सूखा रहने की रिपोर्ट मिल सकती है जबकि बगल का शहर बाढ़ की चपेट में आ सकता है। इसे हल करने के लिए, मौसम विज्ञानी अक्सर मौसम रडार की ओर रुख करते हैं, जो एक हाई-स्पीड कैमरे की तरह काम करता है, जो तूफानों के भीतर हवा और बारिश को घटित होते हुए कैप्चर करता है। वे इस लाइव डेटा को जटिल कंप्यूटर सिमुलेशन में फीड करते हैं ताकि पूर्वानुमान को सुधारा जा सके। हालाँकि, इस लाइव डेटा के साथ भी, मॉडल अक्सर स्थान को गलत बताते रहते हैं। जब कच्चा पूर्वानुमान विफल हो जाता है, तो वैज्ञानिक तेजी से एक अलग प्रकार के उपकरण की ओर मुड़ रहे हैं: कृत्रिम बुद्धिमत्ता (AI) जो विफल हुए पूर्वानुमानों के पैटर्न से सीखती है ताकि डेटा के भीतर छिपे सही उत्तर को खोजा जा सके।

मॉर्गन स्टेट यूनिवर्सिटी के एक शोधकर्ता ने हाल ही में इस समस्या को संभालने के लिए एक नए तरीके का परीक्षण किया, जिसमें 28 जुलाई, 2026 को बाल्टीमोर, मैरीलैंड में आए एक विशिष्ट, भीषण तूफान का उपयोग किया गया। इस घटना के कारण अचानक आई बाढ़ (flash flooding), वाहनों के जलमग्न होने और व्यापक बिजली कटौती जैसी स्थितियाँ पैदा हुईं। वैज्ञानिक यह देखना चाहते थे कि क्या वे तीन अलग-अलग चरणों को जोड़कर पूर्वानुमान को ठीक कर सकते हैं। पहले, उन्होंने वायुमंडल का एक मानक कंप्यूटर सिमुलेशन चलाया। दूसरे, उन्होंने रडार डेटा को फीड करके उस सिमुलेशन को बेहतर बनाने की कोशिश की, जिसे 'डेटा एसिमिलेशन' (data assimilation) कहा जाता है। तीसरे, उन्होंने एक परिष्कृत मशीन-लर्निंग सिस्टम, जिसे 'कंडीशनल डिफ्यूजन मॉडल' कहा जाता है, को उन सिमुलेशन के आउटपुट पर लागू किया। यह मशीन-लर्निंग टूल केवल एक संख्या का अनुमान नहीं लगाता है; यह अनिश्चितता के आकार को सीखता है, जिससे यह परिणामों की एक ऐसी श्रृंखला उत्पन्न करने में सक्षम होता है जो सांख्यिकीय रूप से कच्चे कंप्यूटर पूर्वानुमान की तुलना में सही होने की अधिक संभावना रखती है।

शोधकर्ता ने अपने कंप्यूटर सिमुलेशन के तीन अलग-अलग संस्करण चलाने के साथ शुरुआत की। एक संस्करण ने रडार डेटा को पूरी तरह से अनदेखा कर दिया, जो एक कंट्रोल (control) के रूप में कार्य करता था। अन्य दो संस्करणों ने रडार डेटा को शामिल करने का प्रयास किया: एक ने केवल रडार द्वारा मापी गई हवा की गति का उपयोग किया, जबकि दूसरे ने हवा की गति और बारिश के तीव्र प्रतिध्वनि (rain echoes) दोनों का उपयोग किया। लक्ष्य यह देखना था कि क्या रडेटा जोड़ने से अनुमानित तूफान वास्तव में जहाँ हुआ था, उसके करीब पहुँच पाता है। परिणाम स्पष्ट और पारंपरिक दृष्टिकोण के लिए निराशाजनक थे। हालांकि रडार डेटा ने कंप्यूटर मॉडल की आंतरिक स्थिति को बदल दिया था, लेकिन यह सबसे महत्वपूर्ण त्रुटि को ठीक करने में विफल रहा: बारिश का स्थान। तीनों संस्करणों में, मॉडल ने वर्षा के केंद्र को वास्तविक स्थान से लगभग 40 किलोमीटर दूर रखा। मॉडल भारी बारिश की भविष्यवाणी करने में भी विफल रहा जिसने बाढ़ का कारण बनाया था, और कच्चे आउटपुट में इस घटना को पूरी तरह से मिस कर दिया। रडार डेटा को सफलतापूर्वक सिस्टम में अवशोषित तो किया गया था, लेकिन यह मॉडल की गलत स्थान पर तूफान रखने की प्रवृत्ति को दूर करने के लिए पर्याप्त नहीं था।

इसके बाद, शोधकर्ता ने अपने मशीन-लर्निंग पोस्ट-प्रोसेसिंग टूल को इन तीन सिमुलेशन के परिणामों पर लागू किया। यह टूल एक अनुवादक की तरह कार्य करता था, जो दोषपूर्ण, विस्थापित पूर्वानुमानों को लेता था और आसपास के वायुमंडलीय संकेतों का उपयोग करके यह पुनर्निर्माण करता था कि बारिश कहाँ होनी चाहिए थी। सुधार नाटकीय था। हवा, दबाव और नमी के क्षेत्रों के पैटर्न का विश्लेषण करके, मशीन लर्निंग सिस्टम ने अनुमानित बारिश को वापस शहर की ओर स्थानांतरित कर दिया। इससे बारिश के केंद्र के स्थान की त्रुटि 40 किलोमीटर से घटकर सबसे अच्छे मामलों में 4 किलोमीटर से भी कम हो गई। वर्षा की मात्रा की सटीकता में भी महत्वपूर्ण सुधार हुआ, जिसमें कुल वर्षा की मात्रा की त्रुटि लगभग एक चौथाई कम हो गई। सिस्टम ने न केवल सही संख्याएँ प्राप्त कीं; बल्कि इसने यह भी बेहतर समझ प्रदान की कि बारिश कहाँ गिरने की संभावना है, जिससे एक सही मिलान की शून्य संभावना को वास्तविकता के साथ एक मजबूत सहसंबंध (correlation) में बदल दिया।

अध्ययन ने इस बात पर भी बारीकी से नज़र डाली कि मशीन लर्निंग इतनी अच्छी तरह से क्यों काम कर रही थी। सूचना के टुकड़ों का विश्लेषण करके, जिसमें सिस्टम सबसे अधिक निर्भर था, शोधकर्ता ने पाया कि टूल ने केवल कच्चे वर्षा पूर्वानुमान को देखकर सुधार नहीं किया। इसके बजाय, इसने जमीन के पास हवा की गति, बादलों में पानी की मात्रा, वायु दबाव और व्यापक क्षेत्र में बारिश के व्यापक पैटर्न पर सबसे अधिक ध्यान दिया। यह सुझाव देता है कि मशीन लर्निंग मॉडल उन वायुमंडलीय स्थितियों को "पढ़ने" में सक्षम था जिन्हें कंप्यूटर सिमुलेशन ने सही ढंग से सिम्युलेट किया था और उन सुरागों का उपयोग करके तूफान के सही स्थान का पता लगाने में सक्षम था, जिससे वह वर्षा के प्रारंभिक पूर्वानुमान की गलती को प्रभावी ढंग से दरकिनार कर सका। सिस्टम मध्यम से भारी बारिश की भविष्यवाणी करने में विशेष रूप से अच्छा था, हालांकि यह अभी भी अत्यधिक वर्षा के चरम स्तरों के साथ संघर्ष कर रहा था, जो सभी पूर्वानुमान विधियों के लिए एक कठिन चुनौती बनी हुई है।

यह कार्य प्रदर्शित करता है कि मौसम मॉडल में रडार डेटा को सीधे फीड करना एक आवश्यक कदम है, लेकिन यह उस पूर्वानुमान को ठीक करने के लिए पर्याप्त नहीं है जो पहले ही गलत दिशा में जा चुका है। इस अध्ययन में वास्तविक सफलता यह दिखाने में थी कि एक मशीन-लर्निंग सिस्टम दोषपूर्ण डेटा के भीतर छिपे सही उत्तर को खोजकर खोई हुई सटीकता को पुनः प्राप्त कर सकता है। शोधकर्ता ने चरम मौसम की भविष्यवाणी करने की समस्या को हमेशा के लिए हल करने का दावा नहीं किया, यह नोट करते हुए कि सबसे तीव्र वर्षा को पकड़ना अभी भी कठिन बना हुआ है। हालांकि, उन्होंने सफलतापूर्वक सिद्ध किया कि एक हाइब्रिड दृष्टिकोण, जो भौतिकी-आधारित सिमुलेशन को इंटेलिजेंट पोस्ट-प्रोसेसिंग के साथ जोड़ता है, खतरनाक और स्थानीयकृत तूफानों के पूर्वानुमान में काफी सुधार कर सकता है। बाल्टीमोर जैसे शहरों के लिए, जहाँ गलत जगह पर कुछ इंच बारिश आपदा का कारण बन सकती है, तूफान के पूर्वानुमान के स्थान और तीव्रता को सुधारने की यह क्षमता जीवन और संपत्ति की रक्षा के लिए एक शक्तिशाली नया उपकरण प्रदान करती है।