Predictive value of current HEC-RAS 2D water levels for machine learning flood postprocessing in southeastern Louisiana

बाढ़ पृथ्वी पर सबसे विनाशकारी शक्तियों में से एक है, जो परिदृश्यों को नया आकार देती है और समुदायों को भयानक गति से खतरे में डालती है। लोगों और संपत्ति की रक्षा करने के लिए, वैज्ञानिक कंप्यूटर मॉडल पर भरोसा करते हैं जो इस बात का अनुकरण (सिमुलेशन) करते हैं कि पानी ज़मीन पर, नदियों के माध्यम से और बाढ़ के मैदानों में कैसे चलता है। ये डिजिटल सिमुलेशन, जिन्हें हाइड्रोलिक मॉडल कहा जाता है, वर्षा, ज़मीन के आकार और नदियों के प्रवाह को ध्यान में रखते हुए यह भविष्यवाणी करते हैं कि पानी कितना ऊँचा उठेगा। हालाँकि, ये मॉडल पूर्ण नहीं हैं। इन्हें जटिल भौतिकी और अपूर्ण डेटा पर बनाया गया है, जिसका अर्थ है कि उनकी भविष्यवाणियाँ अक्सर वास्तविकता से भटक जाती हैं, और कभी-कभी वास्तविक जल स्तर से कई फीट पीछे रह जाती हैं। जब कोई मॉडल गलत होता है, तो अनुमानित जल और वास्तविक जल के बीच का अंतर एक सुरक्षित चेतावनी और एक विनाशकारी आश्चर्य के बीच का अंतर हो सकता है। वैज्ञानिकों के लिए चुनौती केवल इन सिमुलेशन को चलाना नहीं है, बल्कि यह पता लगाना भी है कि बाद में अपनी गलतियों को कैसे सुधारा जाए, यानी पहले से उत्पन्न जानकारी का उपयोग करके यह बेहतर अनुमान कैसे लगाया जाए कि वास्तव में क्या हुआ था।

दक्षिण-पूर्वी लुइसियाना में, शोधकर्ताओं के एक दल ने एक विशिष्ट विचार का परीक्षण करने का निर्णय लिया: क्या अभी के कंप्यूटर मॉडल द्वारा अनुमानित जल स्तर और उस तक पहुँचने के स्तर का मार्ग, मॉडल की त्रुटियों को सुधारने में मदद कर सकता है? उन्होंने हाइड्रोलॉजिक इंजीनियरिंग सेंटर के रिवर एनालिसिस सिस्टम (HEC-RAS) पर ध्यान केंद्रित किया, जो एक व्यापक रूप से उपयोग किया जाने वाला उपकरण है जो परिदृश्य को कोशिकाओं (सेल्स) के ग्रिड में विभाजित करता है और समय के साथ पानी की गहराई और ऊंचाई की गणना करता है। शोधकर्ताओं ने क्षेत्र में पहले हो चुकी आठ प्रमुख बाढ़ों का डेटा एकत्र किया, जिनमें उष्णकटिबंधीय तूफान से लेकर भारी वर्षा की घटनाएं शामिल थीं। उन्होंने कंप्यूटर द्वारा अनुमानित जल स्तर की तुलना नदियों और धाराओं के किनारे लगे गेज (माप यंत्रों) से लिए गए वास्तविक मापों के विरुद्ध की। लक्ष्य यह देखना था कि क्या एक मशीन-लर्निंग सिस्टम—जो एक प्रकार का कंप्यूटर प्रोग्राम है जो डेटा से पैटर्न सीखता है—त्रुटि के सटीक कारण को जाने बिना, मॉडल के अपने आउटपुट का उपयोग करके अपनी गलतियों को सुधारना सीख सकता है।

शोधकर्ताओं ने विभिन्न सूचना स्रोतों को अलग करने के लिए एक सावधानीपूर्वक प्रयोग तैयार किया। सबसे पहले, उन्होंने एक सुधार मॉडल बनाया जो बारिश, स्थान और समय के बारे में जानता था, लेकिन उसे कंप्यूटर मॉडल के वर्तमान जल स्तर को देखने से वर्जित किया गया था। यह एक आधार रेखा (बेसलाइन) के रूप में कार्य करता था ताकि यह देखा जा सके कि मॉडल मौसम और भूगोल से कितना सीख सकता है। इसके बाद, उन्होंने सिस्टम को अवलोकन के सटीक क्षण पर कंप्यूटर मॉडल का वर्तमान जल स्तर देखने की अनुमति दी। अंत में, उन्होंने सिस्टम को उस क्षण तक के जल स्तर का एक संक्षिप्त इतिहास दिया, जिससे यह पता चला कि उन घंटों में पानी कैसे बढ़ा या घटा। इन विभिन्न संस्करणों का उन बाढ़ों पर परीक्षण करके, जिन्हें कंप्यूटर ने पहले कभी नहीं देखा था, वे सटीक रूप से माप सके कि प्रत्येक सूचना का कितना मूल्य था।

परिणामों ने दिखाया कि त्रुटियों को ठीक करने के लिए कंप्यूटर मॉडल का वर्तमान जल स्तर सबसे शक्तिशाली उपकरण था। जब शोधकर्ताओं ने अपने सुधार तंत्र में वर्तमान जल स्तर को जोड़ा, तो जल स्तर की भविष्यवाणी करने में औसत त्रुटि काफी कम हो गई, जो लगभग 1.63 मीटर से घटकर 0.67 मीटर रह गई। यह सुधार परीक्षण किए गए सभी आठ बाढ़ों में लगातार हुआ। सिस्टम ने सीखा कि मॉडल की वर्तमान स्थिति में अब तक हुई हर घटना का एक छिपा हुआ सारांश था—गिरी हुई वर्षा, ज़मीन में जमा पानी, और नदी के प्रवाह का तरीका। भले ही मॉडल की मूल भविष्यवाणी गलत थी, लेकिन जिस विशिष्ट तरीके से वह गलत थी, उसमें एक सुराग छिपा था जिसे मशीन-लर्निंग सिस्टम अंतिम संख्या को समायोजित करने के लिए उपयोग कर सकता था। यह सुझाव देता है कि मॉडल की आंतरिक स्थिति, भले ही वह त्रुटिपूर्ण हो, बाढ़ के व्यवहार के बारे में उपयोगी जानकारी रखती है जो साधारण मौसम डेटा प्रदान नहीं कर सकता।

जल स्तरों के इतिहास (बाढ़ के हालिया अतीत) को जोड़ने से एक छोटा, लेकिन सकारात्मक लाभ मिला। इसने त्रुटि को 0.67 मीटर से घटाकर 0.62 मीटर कर दिया, और आठ में से सात बाढ़ों के लिए भविष्यवाणियों में सुधार किया। हालाँकि, यह अतिरिक्त जानकारी वर्तमान जल स्तर की तुलना में कम सुसंगत थी। कुछ मामलों में, हाल के अतीत को जानने से मदद मिली, लेकिन अन्य मामलों में इससे कोई खास फर्क नहीं पड़ा। शोधकर्ताओं ने पाया कि वर्तमान जल स्तर में बाढ़ के विकास के बारेв आवश्यक अधिकांश जानकारी पहले से ही मौजूद थी, जिससे इतिहास कुछ हद तक अनावश्यक (रिडंडेंट) हो गया। सिस्टम को सुधार करने के लिए मार्गदर्शन देने हेतु पिछले कुछ घंटों के विस्तृत टाइमलाइन की आवश्यकता नहीं थी; वर्तमान जल स्तर का एक स्नैपशॉट ही पर्याप्त था।

अध्ययन ने यह भी परीक्षण किया कि ये सुधार वास्तविक दुनिया में कितनी अच्छी तरह काम करेंगे, जहाँ विशिष्ट गेज स्थान प्रशिक्षण डेटा का हिस्सा नहीं हो सकते हैं। जब शोधकर्ताओं ने प्रशिक्षण सेट से एक विशिष्ट गेज का सारांश हटा दिया, जिससे सिस्टम को अन्य स्थानों से सीखने के लिए मजबूर होना पड़ा, तो मौसम और भूगोल पर आधारित सुधार लगभग पूरी तरह विफल रहा। वह बिना सहायता के किसी नए स्थान के लिए जल स्तर की भविष्यवाणी नहीं कर सका। हालाँकि, जब सिस्टम को कंप्यूटर मॉडल का वर्तमान जल स्तर उपयोग करने की अनुमति दी गई, तो इसने बहुत अच्छा प्रदर्शन किया, यहाँ तक कि उन गेजों के लिए भी त्रुटि को काफी कम कर दिया जिन्हें उसने पहले कभी नहीं देखा था। यह एक महत्वपूर्ण निष्कर्ष है क्योंकि इसका अर्थ है कि सुधार पद्धति केवल विशिष्ट नदियों के व्यवहार को याद नहीं करती है; बल्कि यह एक सामान्य नियम सीखती है कि मॉडल की त्रुटियां जल स्तर के साथ कैसे संबंधित हैं। इन कठिन मामलों में सबसे बड़े सुधार उन क्षेत्रों में हुए जहाँ कंप्यूटर मॉडल का ज़मीन का नक्शा वास्तविक नदी चैनल से काफी भिन्न था, जो यह दर्शाता है कि सिस्टम ने जल स्तर को देखकर मानचित्रण त्रुटियों की भरपाई करना सीख लिया।

इन सफलताओं के बावजूद, शोधकर्ता इस बात को लेकर भी सावधान थे कि यह विधि क्या नहीं कर सकती। जबकि सुधारों ने समग्र जल स्तर और उच्चतम जल की ऊंचाई में सुधार किया, लेकिन वे बाढ़ के शिखर (पीक) के समय या हर तीन घंटे में पानी के बढ़ने और घटने की सटीक गति को पूरी तरह से ठीक नहीं कर सके। सिस्टम आपको बता सकता था कि पानी कितना ऊँचा होगा, लेकिन वह यह विश्वसनीय रूप से भविष्यवाणी नहीं कर सका कि पानी अपने उच्चतम बिंदु पर कब पहुँचेगा। इसके अलावा, अध्ययन उन बाढ़ों तक सीमित था जो पहले ही हो चुकी थीं। शोधकर्ताओं ने अपने सिस्टम को प्रशिक्षित और परीक्षण करने के लिए पूर्ण हो चुकी घटनाओं का उपयोग किया, जिसका अर्थ है कि परिणाम यह दिखाते हैं कि यह विधि पिछले डेटा पर कितनी अच्छी तरह काम करती है, न कि यह कि यह भविष्य की किसी अनदेखी बाढ़ में कैसा प्रदर्शन करेगी। उनके द्वारा उपयोग किया गया कंप्यूटर मॉडल भी ज्ञात सीमाओं से ग्रस्त था, जैसे कि कुछ नदी प्रवाह का गायब होना और ज़मीन की ऊंचाई के अधूरे रिकॉर्ड, जिसका अर्थ है कि सुधार एक त्रुटिपूर्ण आधार पर काम कर रहे हैं।

अध्ययन यह निष्कर्ष निकालता है कि हालांकि मशीन लर्निंग मॉडल के अपने जल स्तर डेटा का उपयोग करके बाढ़ की भविष्यवाणियों में महत्वपूर्ण सुधार कर सकती है, लेकिन यह सभी समस्याओं के लिए कोई जादुई समाधान नहीं है। वर्तमान जल स्तर सबसे बड़ा और सबसे विश्वसनीय लाभ प्रदान करता है, जबकि इतिहास के जुड़ने से छोटा और कम सुसंगत लाभ मिलता है। यह विधि तब सबसे अच्छा काम करती है जब कंप्यूटर मॉडल का जल स्तर स्थलाकृति (टेरेन) द्वारा समर्थित होता है, यानी कंप्यूटर वहां पानी मौजूद मानता है जहाँ वास्तव में पानी है। जिन क्षेत्रों में मॉडल पानी को दिखाने में विफल रहता है, या जहाँ नदी का मानचित्रण खराब है, वहाँ सुधार कम विश्वसनीय हो जाते हैं। शोधकर्ताओं का सुझाव है कि इस तरह के पोस्ट-प्रोसेसिंग को वास्तविक समय की चेतावनियों के लिए उपयोग करने से पहले, जमीनी आकार पर कंप्यूटर मॉडल को बेहतर डेटा, अधिक सटीक नदी प्रवाह और जल स्तर के मापन की स्पष्ट समझ की आवश्यकता है। तब तक, यह विधि एक शक्तिशाली प्रदर्शन के रूप में कार्य करती है कि त्रुटिपूर्ण कंप्यूटर मॉडल में भी मूल्यवान सुराग होते हैं, जिन्हें यदि सही ढंग से पढ़ा जाए, तो वे हमें बाढ़ की सच्चाई के करीब ला सकते हैं।