Physics-Regularized Neural Networks for Urban Air Quality Prediction Under Meteorological Variability: Emission Source Estimation from Sparse Observations in London

तकनीकी सारांश: शहरी वायु गुणवत्ता भविष्यवाणी के लिए भौतिकी-नियमित न्यूरल नेटवर्क (Physics-Regularized Neural Networks)

समस्या विवरण
शहरी वायु गुणवत्ता मूल्यांकन एक गंभीर चुनौती का सामना कर रहा है: विरल और अनियमित निगरानी नेटवर्कों से स्थानिक रूप से निरंतर प्रदूषक सांद्रता क्षेत्रों (concentration fields) का पुनर्निर्माण करना और उत्सर्जन स्रोत पैटर्न की पहचान करना। लंदन जैसे शहरों में, निगरानी केंद्र अक्सर स्थानीय विषमता (heterogeneity) को समझने के लिए अपर्याप्त होते हैं, जिससे एक 'इल-पोज़्ड' (ill-posed) व्युत्क्रम समस्या (inverse problem) उत्पन्न होती है जहाँ कई समाधान एक ही सीमित मापों के अनुरूप हो सकते हैं। पारंपरिक रिसेप्टर मॉडल (जैसे PMF, PSCF) में स्पष्ट भौतिक बाधाओं का अभाव होता है और उन्हें अक्सर रासायनिक विशिष्टता डेटा (chemical speciation data) की आवश्यकता होती है जो मानक नेटवर्क में उपलब्ध नहीं होता है। इसके विपरीत, रासायनिक परिवहन मॉडल (CTMs) जैसे कि WRF-Chem या CMAQ, भौतिक कठोरता तो प्रदान करते हैं लेकिन उच्च कम्प्यूटेशनल लागत, 'बॉटम-अप' इन्वेंट्री अनिश्चितताओं के प्रति संवेदनशीलता और सूक्ष्म स्तर पर विरल अवलोकनों को आत्मसात करने में कठिनाई से ग्रस्त हैं। शुद्ध डेटा-संचालित मशीन लर्निंग दृष्टिकोण, हालांकि कम्प्यूटेशनल रूप से कुशल हैं, अक्सर "ब्लैक बॉक्स" के रूप में कार्य करते हैं जो संरक्षण नियमों (conservation laws) का उल्लंघन कर सकते हैं और बदलते मौसम संबंधी शासन (meteorological regimes) के तहत सामान्यीकरण करने में विफल हो सकते हैं। संबोधित मुख्य समस्या यह है कि विरल डेटा से प्रभावी उत्सर्जन संकेतकों और सांद्रता क्षेत्रों का अनुमान कैसे लगाया जाए, जबकि वायुमंडलीय परिवहन प्रक्रियाओं के साथ भौतिक निरंतरता सुनिश्चित की जा सके।

कार्यप्रणाली
यह अध्ययन एक भौतिकी-नियमित न्यूरल नेटवर्क (PRNN) ढांचे का प्रस्ताव करता है जिसे गंभीर अवलोकन की कमी के तहत संचालित होने के लिए डिज़ाइन किया गया है। यह कार्यप्रणाली सख्त 'फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क्स' (PINNs) से अलग है जो पूर्ण आंशिक अंतर समीकरणों (PDEs) को कठोर बाधाओं के रूप में लागू करते हैं, जो विरल डेटा के साथ संख्यात्मक रूप से अस्थिर हो सकते हैं। इसके बजाय, लेखक एक सरलीकृत एडवेक्शन-रिएक्शन मास-बैलेंस समीकरण का उपयोग करते हुए एक "सॉफ्ट कंस्ट्रेंट" (soft constraint) दृष्टिकोण अपनाते हैं:

$$\frac{\partial C}{\partial t} + \mathbf{u} \cdot \nabla C = S(x, t) - \lambda C$$

जहाँ $C$ PM2.5 सांद्रता है, $\mathbf{u}$ पवन क्षेत्र (wind field) है, $S$ एक प्रभावी स्रोत पद (effective source term) है, और $\lambda$ एक प्रथम-क्रम निष्कासन दर (first-order removal rate) है। विसरणी पद ($\nabla \cdot (K\nabla C)$) को संख्यात्मक स्थिरता सुनिश्चित करने और विरल, अनियमित ग्रिडों पर द्वितीय-क्रम के ऑटोमैटिक डिफरेंशिएशन से जुड़ी अस्थिरता से बचने के लिए स्पष्ट रूप से छोड़ दिया गया है।

न्यूरल नेटवर्क आर्किटेक्चर स्थानिक निर्देशांक, समय, ERA5 मौसम संबंधी पुनर्मूल्यांकन डेटा (पवन, बाउंड्री लेयर हाइट, तापमान), चक्रीय समय एन्कोडिंग और लैग्ड (lagged) PM2.5 अवलोकनों को इनपुट के रूप में लेता है। यह तीन क्षेत्र (fields) आउटपुट करता है: सांद्रता ($C_\theta$), प्रभावी स्रोत ($S_\theta$), और निष्कासन दर ($\lambda_\theta$)।

मॉडल को एक संयुक्त लॉस फंक्शन (loss function) को मिनिमाइज़ करके प्रशिक्षित किया जाता है:
$$\mathcal{L}_{total} = \mathcal{L}_{data} + \lambda_{phys}\mathcal{L}_{phys}$$

• डेटा लॉस ($\mathcal{L}_{data}$): छह निगरानी स्टेशनों पर देखे गए प्रति घंटा PM2.5 मूल्यों के साथ सहमति लागू करता है।
• फिजिक्स लॉस ($\mathcal{L}_{phys}$): ऑटोमैटिक डिफरेंशिएशन का उपयोग करके कोलोकेशन पॉइंट्स पर एडवेक्शन-रिएक्शन समीकरण के अवशेष (residual) को दंडित करता है।

एक दो-चरणीय प्रशिक्षण अनुसूची (training schedule) का उपयोग किया जाता है: एक डेटा-ओनली वॉर्म-अप और उसके बाद एक भौतिकी-नियमित चरण। रेगुलाइजेशन वेट ($\lambda_{phys}$) को अधिकतम भविष्य कहनेवाला सटीकता (predictive accuracy) के लिए नहीं, बल्कि समाधान स्थान को भौतिक रूप से प्रशंसनीय पैरामीटर संयोजनों तक सीमित करने के लिए ट्यून किया गया है।

प्रमुख योगदान

1. विरल व्युत्क्रम (Sparse Inversion) के लिए ढांचा: यह शोध वास्तविक दुनिया के शहरी वायु गुणवत्ता डेटा के लिए भौतिकी-नियमित शिक्षण के व्यावहारिक अनुप्रयोग को प्रदर्शित करता है, जो सघन उत्सर्जन इन्वेंट्री की आवश्यकता के बिना विरल निगरानी नेटवर्क से स्थानिक रूप से निरंतर प्रभावी स्रोत क्षेत्रों का अनुमान लगाने में सक्षम बनाता है।
2. इल-पोज़्ड समस्याओं का स्थिरीकरण: अध्ययन दिखाता है कि भौतिकी रेगुलाइजेशन मुख्य रूप से पॉइंटवाइज प्रेडिक्शन मेट्रिक्स (R2, RMSE) को बेहतर बनाने के लिए नहीं है, बल्कि यह व्युत्क्रम समस्याओं में निहित "डिजेनरेट" स्रोत-निष्कासन ट्रेड-ऑफ को नियंत्रित करने के लिए आवश्यक है। रेगुलेशन के बिना, मॉडल अवास्तविक रूप से कम प्रभावी जीवनकाल (<1 दिन) का अनुमान लगाता है; मध्यम रेगुलेशन के साथ, यह जीवनकाल को भौतिक रूप से प्रशंसनीय श्रेणियों (~9–10 दिन) में स्थिर करता है।
3. पारदर्शी सीमाओं का विश्लेषण: लेखक इस दृष्टिकोण की सीमाओं को भी कठोरता से प्रलेखित करते हैं, विशेष रूप से डिफ्यूजन टर्म को छोड़ने के कारण होने वाला "स्पेशियल स्मियरिंग" (spatial smearing) प्रभाव और मोटे ERA5 मौसम विज्ञान (~25 किमी) तथा शहरी सूक्ष्म-परिवेशों के बीच स्केल का अंतर। वे स्पष्ट करते हैं कि अनुमानित स्रोत क्षेत्र निगरानी-व्युत्पन्न डायग्नोस्टिक फील्ड्स हैं जो सरलीकृत भौतिकी के अनुरूप हैं, न कि प्रत्यक्ष नियामक उत्सर्जन इन्वेंट्री के अनुमान।
4. कम्प्यूटेशनल दक्षता: यह दृष्टिकोण डेटा-सीमित वातावरण में शहर-स्तर के स्क्रीनिंग और खोजपूर्ण मूल्यांकन के लिए CTMs के एक कम्प्यूटेशनल रूप से कुशल विकल्प के रूप में कार्य करता है।

परिणाम
इस ढांचे का परीक्षण ग्रेटर लंदन के 90-दिवसीय शीतकालीन अवधि के दौरान छह AURN/LAQN स्टेशनों के प्रति घंटा PM2.5 डेटा और ERA5 मौसम विज्ञान पर किया गया।

• भविष्यवाणी प्रदर्शन: भौतिकी-नियमित मॉडल ने 0.707 का टेस्ट $R^2$ और 3.91 µg/m³ का RMSE प्राप्त किया, जो डेटा-ओनली बेसलाइन ($R^2 = 0.703$) के तुलनीय है। यह पुष्टि करता है कि भौतिकी रेगुलाइजेशन की प्राथमिक भूमिका पॉइंटवाइज प्रेडिक्शन मेट्रिक्स को बढ़ावा देना नहीं बल्कि व्युत्क्रम पैरामीटर्स को नियमित करना है।
• पैरामीटर स्थिरता: भौतिकी रेगुलेशन ($\lambda_{phys}=0$) की अनुपस्थिति में, अनुमानित प्रभावी जीवनकाल घटकर 0.37 दिन रह गया। रेगुलेशन ($\lambda_{phys}=10^{-3}$) के साथ, जीवनकाल 9.56 दिन पर स्थिर हो गया, जो यूके में ज्ञात PM2.5 निष्कासन समय-सीमा के अनुरूप है।
• स्थानिक विषमता: प्रदर्शन साइट के प्रकार के आधार पर भिन्न हुआ। उपनगरीय और शहरी-बैकग्राउंड स्टेशनों (जैसे हारलिंगटन, ब्लूम्सबरी) ने उच्च भविष्य कहनेवाला कौशल ($R^2 \approx 0.84, 0.79$) दिखाया, जबकि सड़क किनारे के स्थलों (जैसे हैकनी, यूस्टन रोड) का अनुमान लगाना कठिन था ($R^2 \approx 0.33, 0.65$)। इसका श्रेय सरलीकृत एडवेक्शन भौतिकी और मोटे मौसम विज्ञान को सब-किलोमीटर बिल्डिंग-प्रेरित टर्बुलेंस और स्ट्रीट-कैनियन प्रभावों को हल करने में असमर्थता को दिया गया है।
• संवेदनशीलता: अनुमानित प्रभावी जीवनकाल रेगुलाइजेशन वेट की एक श्रृंखला ($\lambda_{phys} \in [3 \times 10^{-5}, 3 \times 10^{-3}]$) में सुदृढ़ था, लेकिन अत्यधिक रेगुलाइजेशन ($\lambda_{phys} = 10^{-2}$) के कारण जीवनकाल फिर से गिर गया।

महत्व और दावे
यह शोध कार्य इस कार्य को नियामक स्रोत एट्रिब्यूशन या हाई-फिडेलिटी CTMs के विकल्प के बजाय एक निगरानी-उन्मुख, खोजपूर्ण उपकरण के रूप में प्रस्तुत करता है। इसका महत्व डेटा-दुर्लभ स्थितियों में सरलीकृत वायुमंडलीय परिवहन भौतिकी के अनुरूप स्थानिक रूप से निरंतर डायग्नोस्टिक फील्ड्स उत्पन्न करने के लिए एक कम्प्यूटेशनल रूप से कुशल विधि प्रदान करने में निहित है।

लेखक स्पष्ट रूप से कहते हैं कि अनुमानित पैटर्न को डायग्नोस्टिक फील्ड्स के रूप में व्याख्या किया जाना चाहिए जो मॉडल के सरलीकृत धारणाओं के तहत उत्सर्जन, परिवहन और निष्कासन के संयुक्त प्रभाव को दर्शाते हैं। वे दावा नहीं करते हैं कि वे अद्वितीय, इन्वेंट्री-तुल्य उत्सर्जन फ्लक्स को पुनः प्राप्त कर सकते हैं। यह ढांचा मौजूदा निगरानी नेटवर्क के पूरक के रूप में काम करने के लिए बनाया गया है ताकि स्क्रीनिंग-स्तर की अंतर्दृष्टि प्रदान की जा सके, उच्च अनिश्चितता वाले क्षेत्रों की पहचान की जा सके और सेंसर तैनाती की रणनीतियों को सूचित किया जा सके, विशेष रूप से उन वातावरणों में जहाँ पारंपरिक मॉडलिंग बहुत महंगी है या डेटा बहुत विरल है। यह कार्य भौतिक स्थिरता सुनिश्चित करने के लिए मशीन लर्निंग में भौतिक बाधाओं को एकीकृत करने के मूल्य को रेखांकित करता है, भले ही इस एकीकरण की कीमत कुछ भविष्य कहने वाली लचीलापन (predictive flexibility) हो।