Comparison of Machine Learning Methods for Monthly Rainfall Forecasting Using k-Nearest Neighbors, Random Forest, and Artificial Neural Networks
यह अध्ययन पंगकलपिनांग में मासिक वर्षा के पूर्वानुमान के लिए k-निकटतम पड़ोसियों (k-Nearest Neighbors), रैंडम फ़ॉरेस्ट (Random Forest) और कृत्रिम तंत्रिका नेटवर्क (Artificial Neural Networks) की तुलना करता है और पाता है कि रैंडम फ़ॉरेस्ट MAE, RMSE और R² जैसे मूल्यांकन मेट्रिक्स के आधार पर अन्य दोनों एल्गोरिदम से बेहतर प्रदर्शन करता है।
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
वर्षा जलवायु प्रणाली की हृदय गति है, एक ऐसी शक्ति जो हमारी मेजों पर रखे भोजन से लेकर हमारे शहरों की सुरक्षा तक सब कुछ आकार देती है। यह किसानों के लिए एक महत्वपूर्ण संसाधन है और अत्यधिक मात्रा में आने पर एक संभावित खतरा भी है, फिर भी किसी दिए गए महीने में कितनी वर्षा होगी, इसका सटीक अनुमान लगाना मौसम विज्ञान की सबसे कठिन चुनौतियों में से एक बना हुआ है। नदी के निरंतर प्रवाह या ज्वार के पूर्वानुमानित उभार के विपरीत, वर्षा अराजक और अत्यधिक गैर-रैखिक (नॉनलीनियर) होती है, जिसका अर्थ है कि यह सरल, सीधी रेखा वाले पैटर्न का पालन नहीं करती है। इंडोनेशिया जैसे उष्णकटिबंधीय क्षेत्रों में, जहाँ मौसम समुद्र की धाराओं, मानसून और स्थानीय भूगोल के एक जटिल मिश्रण से संचालित होता है, यह अनिश्चितता और भी अधिक स्पष्ट हो जाती है। इस अराजकता को समझने के लिए, वैज्ञानिकों ने मशीन लर्निंग की ओर रुख किया है, जो कंप्यूटर विज्ञान की एक शाखा है जहाँ एल्गोरिदम छिपे हुए पैटर्न खोजने के लिए ऐतिहासिक डेटा से सीखते हैं। ये डिजिटल उपकरण कठोर नियमों पर निर्भर नहीं होते, बल्कि भविष्य में क्या हो सकता है इसका अनुमान लगाने के लिए हजारों पिछले मौसम अवलोकनों का अध्ययन करते हैं, जो वर्षा के पूर्वानुमान की समस्या को हल करने का एक नया तरीका प्रदान करते हैं।
पांगकलपिनंग के डेपाती अमीर मौसम विज्ञान केंद्र पर केंद्रित एक हालिया अध्ययन में, शोधकर्ताओं ने यह देखने के लिए प्रयास किया कि मासिक वर्षा की भविष्यवाणी करने के लिए तीन लोकप्रिय मशीन लर्निंग विधियों में से कौन सी विधि सबसे अच्छी तरह काम करती है। मिशो मौलाना और गार्नो के नेतृत्व में, जो स्टेट कॉलेज ऑफ मेट्रोलॉजिकल क्लाइमेटोलॉजी एंड जियोफिजिक्स से हैं, की टीम ने 2015 से 2024 तक फैले दस वर्षों के मौसम के डेटा को एकत्र किया। उन्होंने वर्षा को प्रभावित करने वाले विभिन्न कारकों को देखा, जिसमें पिछले महीनों में हुई वर्षा की मात्रा, औसत वायु तापमान, हवा में नमी कितनी थी, और प्रतिदिन सूरज कितनी देर तक चमका। इस जानकारी का उपयोग करके, उन्होंने तीन अलग-अलग प्रकार के कंप्यूटर मॉडल प्रशिक्षित किए: एक जो पिछले समान मौसम पैटर्न को देखता है, एक जो परिणाम पर मतदान करने के लिए निर्णय लेने वाले पेड़ों (डिसीजन ट्रीज़) की एक भीड़ बनाता है, और एक जो कनेक्शनों की परतों के माध्यम से मानव मस्तिष्क के काम करने के तरीके की नकल करता है। लक्ष्य वर्षा की भविष्यवाणी करने का एक नया तरीका आविष्कार करना नहीं था, बल्कि इन मौजूदा उपकरणों की तुलना करना था ताकि यह देखा जा सके कि कौन सा इस विशिष्ट उष्णकटिबंधीय द्वीप समूह में मौसम का सबसे सटीक पूर्वानुमान लगा सकता है।
शोधकर्ताओं ने अपने डेटा को दो भागों में विभाजित किया, पहले आठ वर्षों का उपयोग मॉडल को सिखाने के लिए और अंतिम दो वर्षों का उपयोग उनका परीक्षण करने के लिए किया। फिर उन्होंने मानक उपकरणों का उपयोग करके परिणामों को मापा जो यह जांचते हैं कि भविष्यवाणियां वास्तव में हुई वर्षा के कितने करीब थीं। निष्कर्षों ने एक स्पष्ट विजेता का खुलासा किया। वह मॉडल जिसने निर्णय वृक्षों की एक भीड़ बनाई थी, जिसे रैंडम फॉरेस्ट (Random Forest) के रूप में जाना जाता है, सबसे प्रभावी साबित हुआ। इसने मासिक वर्षा में लगभग 60 प्रतिशत परिवर्तनों की व्याख्या की, और इसके अनुमान औसतन लगभग 76 मिलीमीटर के अंतर पर थे। यह मॉडल गीले और सूखे मौसम के उतार-चढ़ाव को पकड़ने में विशेष रूप से अच्छा था और चरम मौसम की घटनाओं से भ्रमित नहीं हुआ। इसके विपरीत, मस्तिष्क की नकल करने वाला मॉडल, जिसे आर्टिफिशियल न्यूरल नेटवर्क कहा जाता है, सबसे अधिक संघर्ष करता रहा। इसने केवल लगभग 30 प्रतिशत वर्षा परिवर्तनशीलता की व्याख्या की और काफी बड़ी त्रुटियां कीं, अक्सर भारी बारिश के दौरान बहुत अधिक और सूखे के दौरान बहुत कम का अनुमान लगाया। तीसरा मॉडल, जो केवल पिछले समान मौसम पैटर्न को देखता था, बीच में रहा, जिसने लगभग 49 प्रतिशत परिवर्तनशीलता की व्याख्या की लेकिन डेटा के शिखर और घाटियों को सुचारू बनाने की प्रवृत्ति रखी, जिससे कुछ सबसे तीव्र वर्षा की घटनाएं छूट गईं।
अध्ययन सुझाव देता है कि इस विशिष्ट क्षेत्र और डेटा के प्रकार के लिए, कई सरल निर्णयकर्ताओं को एक एकल, मजबूत प्रणाली में संयोजित करने वाला दृष्टिकोण परीक्षण की गई अन्य विधियों की तुलना में बेहतर है। शोधकर्ताओं ने उल्लेख किया कि न्यूरल नेटवर्क संभवतः इसलिए संघर्ष कर रहा था क्योंकि डेटासेट, हालांकि मूल्यवान था, इतने जटिल सिस्टम के प्रभावी ढंग से सीखने के लिए अपेक्षाकृत छोटा था। हालाँकि, निर्णय-वृक्ष आधारित मॉडल ने कई व्यक्तिगत पेड़ों के परिणामों को औसत निकालकर सफलता प्राप्त की, जिससे इसे डेटा के शोर (नॉइज़) के प्रति अति-प्रतिक्रिया देने से बचने में मदद मिली और इसने एक अधिक स्थिर पूर्वानुमान प्रदान किया। जबकि कोई भी मॉडल पूर्ण नहीं है, और सर्वोत्तम परिणाम में अभी भी त्रुटि की गुंजाइश है, यह अध्ययन उष्णकटिबंधीय द्वीप क्षेत्रों में मौसमविदों के लिए एक व्यावहारिक रोडमैप प्रदान करता है। यह इंगित करता है कि सीमित ऐतिहासिक रिकॉर्ड के साथ काम करते हुए, एक एन्सेम्बल पद्धति जो डेटा के कई सरल दृष्टिकोणों को एकत्रित करती है, एक जटिल मस्तिष्क जैसी प्रणाली को कम मात्रा में जानकारी के साथ काम करने के लिए मजबूर करने की तुलना में अधिक विश्वसनीय है। यह अंतर्दृष्टि उन क्षेत्रों में समुदायों की रक्षा करने और संसाधनों के प्रबंधन के लिए उपयोग किए जाने वाले उपकरणों को परिष्कृत करने में मदद करती है जहाँ वर्षा उतनी ही अनिश्चित है जितनी कि आवश्यक।
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।