गहरे शिक्षण प्रणाली चरम मौसम की सटीक भविष्यवाणी कर सकती है

राइस विश्वविद्यालय के इंजीनियरों ने एक गहरे शिक्षण प्रणाली विकसित की है जो पांच दिनों की अग्रिम भविष्यवाणी में चरम मौसम की घटनाओं की सटीक भविष्यवाणी करने में सक्षम है। यह प्रणाली, जिसने स्वयं को सिखाया है, केवल वर्तमान मौसम की स्थिति के बारे में न्यूनतम जानकारी की आवश्यकता होती है ताकि भविष्यवाणी की जा सके।

प्रणाली के प्रशिक्षण का एक हिस्सा सैकड़ों जोड़ी मानचित्रों की जांच करना शामिल है, और प्रत्येक मानचित्र पांच किलोमीटर की ऊंचाई पर सतह तापमान और वायुमंडलीय दबाव को दर्शाता है। ये स्थितियां कई दिनों के बाद दिखाई देती हैं। प्रशिक्षण में ऐसे दृश्य भी शामिल हैं जो चरम मौसम पैदा करते हैं, जैसे कि गर्म और ठंडे दौर जो गर्मी की लहरें और सर्दियों के तूफान पैदा कर सकते हैं। प्रशिक्षण पूरा होने के बाद, गहरे शिक्षण प्रणाली ने 85% की सटीकता दर के साथ उन मानचित्रों पर आधारित पांच दिवसीय चरम मौसम की भविष्यवाणी की, जिन्हें उसने पहले नहीं देखा था।

अध्ययन के सह-लेखक पेड्राम हसनज़ादेह के अनुसार, यह प्रणाली एक उपकरण के रूप में उपयोग की जा सकती है और मौसम विज्ञानियों के लिए एक प्रारंभिक चेतावनी प्रणाली के रूप में कार्य कर सकती है। यह विशेष रूप से चरम मौसम के कारण होने वाली विशिष्ट वायुमंडलीय स्थितियों के बारे में अधिक जानने में उपयोगी होगी।

1950 के दशक में कंप्यूटर-आधारित संख्यात्मक मौसम पूर्वानुमान (एनडब्ल्यूपी) के आविष्कार के कारण, दैनिक मौसम पूर्वानुमान में सुधार हुआ है। हालांकि, एनडब्ल्यूपी चरम मौसम की घटनाओं जैसे गर्मी की लहरों के बारे में विश्वसनीय भविष्यवाणी नहीं कर सकता है।

“यह हो सकता है कि हमें तेज़ सुपरकंप्यूटरों की आवश्यकता है ताकि हम संख्यात्मक मौसम पूर्वानुमान मॉडलों के शासी समीकरणों को उच्च संकल्पना में हल कर सकें,” हसनज़ादेह ने कहा, जो राइस विश्वविद्यालय में यांत्रिक इंजीनियरिंग और पृथ्वी, पर्यावरण और ग्रह विज्ञान के सहायक प्रोफेसर हैं। “लेकिन क्योंकि हम चरम मौसम पैदा करने वाले पैटर्न के भौतिकी और पूर्ववर्ती स्थितियों को पूरी तरह से नहीं समझते हैं, यह भी संभव है कि समीकरण पूरी तरह से सटीक नहीं हैं, और वे बेहतर पूर्वानुमान नहीं देंगे, चाहे हम कितनी भी कम्प्यूटिंग शक्ति डालें।”

2017 में, हसनज़ादेह को अध्ययन के सह-लेखकों और स्नातक छात्रों आशेश चट्टोपाध्याय और एब्राहिम नबीज़ादेह ने जॉइन किया। उन्होंने एक अलग मार्ग पर काम करना शुरू किया।

“जब आप इन गर्मी की लहरों या ठंडे दौर को प्राप्त करते हैं, तो यदि आप मौसम के मानचित्र को देखते हैं, तो आप अक्सर जेट धारा में कुछ अजीब व्यवहार देखेंगे, जैसे कि बड़ी लहरें या एक बड़ा उच्च दबाव प्रणाली जो बिल्कुल भी नहीं बढ़ रही है,” हसनज़ादेह ने कहा। “यह एक पैटर्न मान्यता समस्या की तरह लगा। इसलिए हमने चरम मौसम पूर्वानुमान को एक पैटर्न मान्यता समस्या के रूप में पुनः संरचित करने का फैसला किया, न कि एक संख्यात्मक समस्या के रूप में।”

“हमने अपने मॉडल को प्रशिक्षित करने का फैसला किया bằng यह दिखाकर कि पृथ्वी के पांच किलोमीटर ऊपर के दबाव पैटर्न को दिखाकर, और यह बताकर कि ‘यह नहीं हुआ चरम मौसम। यह हुआ कैलिफोर्निया में एक गर्मी की लहर। यह नहीं हुआ कुछ भी। यह हुआ नॉर्थईस्ट में एक ठंडा दौर,'” हसनज़ादेह ने जारी रखा। “कुछ विशिष्ट जैसे ह्यूस्टन बनाम डलास, लेकिन अधिक क्षेत्रीय क्षेत्र की भावना।”

कंप्यूटर से पहले, मौसम पूर्वानुमान के लिए विश्लेषणात्मक पूर्वानुमान का उपयोग किया जाता था। यह एक बहुत ही समान तरीके से किया गया था जैसे कि नई प्रणाली में, लेकिन यह मानव थे, न कि कंप्यूटर।

“एक तरीका जिसमें कंप्यूटर से पहले पूर्वानुमान किया जाता था, वे आज के दबाव प्रणाली पैटर्न को देखते थे, और फिर पहले के पैटर्न के कैटलॉग में जाते थे और एक एनालॉग, एक बारीकी से मिलता-जुलता पैटर्न खोजने की कोशिश करते थे,” हसनज़ादेह ने कहा। “यदि वह एक पैटर्न तीन दिनों के बाद फ्रांस में बारिश का कारण बना, तो पूर्वानुमान फ्रांस में बारिश के लिए होगा।”

अब, न्यूरल नेटवर्क स्वयं सीख सकते हैं और मानवों पर निर्भर नहीं होना चाहिए ताकि उन्हें संबंधों को खोजने में मदद मिल सके।

“यह मायने नहीं रखता कि हम पूर्ववर्ती को पूरी तरह से नहीं समझते हैं क्योंकि न्यूरल नेटवर्क ने स्वयं उन संबंधों को सीखा,” हसनज़ादेह ने कहा। “यह सीखा कि कौन से पैटर्न चरम मौसम के लिए महत्वपूर्ण थे, और यह उन्हें सबसे अच्छा एनालॉग खोजने के लिए उपयोग किया।”

अपने概念 का परीक्षण करने के लिए, टीम ने वास्तविक कंप्यूटर सिमुलेशन से डेटा पर भरोसा किया। उन्होंने最初 एक कन्वोल्यूशनल न्यूरल नेटवर्क के साथ प्रारंभिक परिणामों की सूचना दी, लेकिन टीम ने फिर कैप्सूल न्यूरल नेटवर्क की ओर रुख किया। कन्वोल्यूशनल न्यूरल नेटवर्क सापेक्ष स्थानिक संबंधों को नहीं पहचान सकते हैं, लेकिन कैप्सूल न्यूरल नेटवर्क कर सकते हैं। ये सापेक्ष स्थानिक संबंध मौसम पैटर्न के विकास के लिए महत्वपूर्ण हैं।

“मौसम मानचित्रों पर दबाव पैटर्न की सापेक्ष स्थितियां, उच्च और निम्न जो आप देखते हैं, मौसम के विकास को निर्धारित करने में एक महत्वपूर्ण कारक हैं,” हसनज़ादेह ने कहा।

कैप्सूल न्यूरल नेटवर्क को कन्वोल्यूशनल न्यूरल नेटवर्क की तुलना में कम प्रशिक्षण डेटा की आवश्यकता होती है।

टीम ऑपरेशनल पूर्वानुमान में उपयोग किए जाने के लिए प्रणाली पर काम करना जारी रखेगी, लेकिन हसनज़ादेह उम्मीद करते हैं कि यह अंततः चरम मौसम के लिए अधिक सटीक पूर्वानुमान का नेतृत्व करेगी।

“हम यह सुझाव नहीं दे रहे हैं कि यह अंततः एनडब्ल्यूपी को बदल देगा,” उन्होंने कहा। “लेकिन यह एनडब्ल्यूपी के लिए एक उपयोगी मार्गदर्शक हो सकता है। गणनात्मक रूप से, यह एक सुपर सस्ता तरीका हो सकता है जो कुछ मार्गदर्शन प्रदान करे, एक प्रारंभिक चेतावनी जो आपको एनडब्ल्यूपी संसाधनों को विशेष रूप से चरम मौसम के लिए निर्देशित करने की अनुमति देती है।”

“हम व्याख्यात्मक एआई (कृत्रिम बुद्धिमत्ता) के विचारों का लाभ उठाना चाहते हैं ताकि न्यूरल नेटवर्क क्या कर रहा है उसे व्याख्या किया जा सके,” उन्होंने कहा। “यह चरम मौसम पैदा करने वाले पैटर्न के पूर्ववर्ती को पहचानने में हमारी मदद कर सकता है और उनकी भौतिकी को बेहतर ढंग से समझने में मदद कर सकता है।”