रिपोर्ट्स
Tomorrow.io के शोध से पता चलता है कि बेहतर शुरुआती डेटा से AI मौसम पूर्वानुमान सुधर सकते हैं

मुख्य बिंदुबेहतर प्रारंभिक वायुमंडलीय डेटा ने मॉडल को स्वयं बदले बिना ऑरोरा पूर्वानुमानों में…
और देखें
- बेहतर प्रारंभिक वायुमंडलीय डेटा ने मॉडल को स्वयं बदले बिना ऑरोरा पूर्वानुमानों में सुधार किया।
- एक दिन का लाभ कच्चे GFS की तुलना में Sky 1 प्रारंभीकरण को दर्शाता है, न कि उपग्रह अवलोकनों को अलग करता है।
- मौसम AI की प्रगति अवलोकनों, आत्मसातीकरण, पूर्वानुमान और मूल्यांकन की पूरी प्रक्रिया पर निर्भर करती है।
Tomorrow.io का कहना है कि पूर्वानुमान मॉडल चलना शुरू होने से पहले ही AI मौसम पूर्वानुमानों को बेहतर बनाया जा सकता है। उसके नवीनतम शोध के अनुसार, मौजूदा वायुमंडल के बेहतर अनुमान से Microsoft के Aurora 1.5 और Google DeepMind के WeatherNext 2 के पूर्वानुमान सुधर सकते हैं—और इसके लिए उन पूर्वानुमान मॉडल में बदलाव करने की ज़रूरत नहीं है।
कंपनी की 17 नवंबर की घोषणा में Sky 1 का वर्णन है। यह मशीन लर्निंग पर आधारित डेटा-आत्मसात प्रणाली है, जो अपने 15 माइक्रोवेव साउंडर वाले समूह से मिले प्रेक्षणों का उपयोग करके हर घंटे शुरुआती स्थितियों को अद्यतन करती है। ये उपकरण तापमान और नमी से जुड़ी जानकारी जुटाते हैं, जिसमें बादलों के पार और कम प्रेक्षण वाले क्षेत्रों की जानकारी भी शामिल है।
नतीजे बताते हैं कि मॉडल की संरचना के साथ-साथ प्रेक्षण प्रणालियों और मॉडल के इनपुट तैयार करने वाले सॉफ़्टवेयर पर भी ध्यान देना चाहिए। शोध में दो अलग-अलग तुलनाएँ भी शामिल हैं: उपग्रह प्रेक्षणों का योगदान और Aurora को शुरुआती स्थितियाँ देने के लिए Sky 1 के इस्तेमाल का व्यापक लाभ।
शुरुआती वायुमंडलीय स्थिति क्यों मायने रखती है
मौसम मॉडल को एक शुरुआती स्थिति चाहिए होती है: तापमान, आर्द्रता और हवा जैसी परिस्थितियों का त्रि-आयामी अनुमान। प्रेक्षण अलग-अलग स्थानों, ऊँचाइयों और समयों से मिलते हैं। डेटा आत्मसात करने की प्रक्रिया मापों को वायुमंडल के मौजूदा अनुमान के साथ जोड़कर एक सुसंगत शुरुआती स्थिति तैयार करती है।
ECMWF की ERA5 की व्याख्या में मॉडल और प्रेक्षणों के इस मेल का वर्णन है। ERA5, बीते समय के मौसम को एक सुसंगत वैश्विक डेटासेट के रूप में पुनर्निर्मित करता है, इसलिए यह पूर्वानुमानों के मूल्यांकन के लिए उपयोगी संदर्भ है। फिर भी, यह वायुमंडल का एक पुनर्निर्माण ही है, जो अपने मॉडलिंग और प्रेक्षण इनपुट पर आधारित है।
तेज़ अनुमान से पता चलता है कि मॉडल आगे की गणना कितनी जल्दी कर सकता है। बेहतर शुरुआती स्थिति से यह सुधरता है कि मॉडल मौजूदा हालात को कितनी अच्छी तरह समझता है। शक्तिशाली मॉडल भी शुरुआती स्थिति के गलत अनुमान को अपने पूर्वानुमानों में आगे तक बनाए रख सकता है।
उपग्रहों की तुलना से क्या पता चला
Tomorrow.io के अनुसार, उसके प्रेक्षणों को शामिल करने से 28 मामलों में शुरुआती स्थिति में जलवाष्प की त्रुटि लगभग 5–8% कम हुई; इसकी तुलना ERA5 से की गई। पूर्वानुमान मूल्यांकन में, प्रेक्षण शामिल किए जाने पर Aurora 1.5 के 112 पूर्वानुमानों में सतह के पास के तापमान की औसत त्रुटि, पाँच दिनों तक जाँचे गए हर पूर्वानुमान-अवधि बिंदु पर कम थी। कंपनी के अनुसार, सुधार मामूली थे और पहले दो दिनों में सबसे अधिक थे।
कंपनी की प्रकाशित विधियों में शुरुआती स्थितियों के दो जोड़े इस्तेमाल किए गए हैं: एक स्थिति Sky 1, उपग्रह-समूह के प्रेक्षणों के साथ तैयार करता है और दूसरी उन प्रेक्षणों को रोककर। दोनों स्थितियों से एक ही पूर्वानुमान मॉडल चलाया जाता है, जिससे मूल्यांकन में अतिरिक्त डेटा के योगदान को अलग से मापा जा सकता है।
मौसम केंद्रों से की गई तुलना में लगभग 17,700 केंद्रों के आँकड़े इस्तेमाल किए गए। WeatherNext 2 को भी शुरुआती स्थितियों के इन जोड़ों का उपयोग करके परखा गया।
“एक अतिरिक्त दिन” वाले नतीजे का असल मतलब
लगभग एक दिन की पूर्वानुमान-अवधि का लाभ, Sky 1 से शुरुआती स्थिति पाने वाले Aurora की तुलना सीधे Global Forecast System (GFS) डेटा से शुरुआती स्थिति पाने वाले Aurora से करने पर सामने आया। Tomorrow.io के अनुसार, ERA5 के आधार पर मूल्यांकन करने पर कच्चे GFS डेटा से चलाए गए मॉडल ने पाँच दिन के Sky 1 पूर्वानुमान वाली त्रुटि का स्तर लगभग 24.9 घंटे पहले हासिल कर लिया। मौसम केंद्रों के आधार पर तुलना करने पर इसी तरह का लाभ लगभग 10 घंटे का था।
कंपनी स्पष्ट रूप से इस नतीजे का श्रेय केवल उपग्रह-समूह को नहीं, बल्कि कुल मिलाकर Sky 1 को देती है। उसका कहना है कि सुधार का एक हिस्सा Aurora को ऐसी शुरुआती स्थिति देने से आता है, जो प्रशिक्षण के दौरान उसे मिली शुरुआती स्थितियों जैसी होती है।
शोध के नतीजों की व्याख्या के लिए यह अंतर अहम है। दिन के बराबर बताए गए इस नतीजे में तापमान-त्रुटि के एक खास स्तर और संदर्भ के आधार पर प्रदर्शन मापा गया है। इससे यह साबित नहीं होता कि हर पूर्वानुमान चर, क्षेत्र या चरम घटना का अनुमान पूरे एक दिन पहले लगाया जा सकता है।
नए प्रेक्षणों के पीछे की तकनीक
Tomorrow.io के माइक्रोवेव साउंडर संबंधी दस्तावेज़ में ऐसे निष्क्रिय रेडियोमीटर का वर्णन है, जो वायुमंडल में तापमान और जलवाष्प की ऊँचाई के अनुसार रूपरेखा देते हैं। कंपनी के अनुसार, ये 12 से अधिक चैनलों पर 91–204 GHz की आवृत्ति सीमा में काम करते हैं और लगभग 2,200 किलोमीटर चौड़े क्षेत्र में क्रॉस-ट्रैक स्कैनिंग करते हैं।
ये उपकरण वायुमंडलीय विश्लेषण के लिए माप उपलब्ध कराते हैं; ये सीधे तैयार पूर्वानुमान नहीं देते। किसी प्रेक्षण का महत्व उसके अंशांकन, कवरेज, समय और डेटा आत्मसात करने वाली प्रणाली द्वारा उसे शामिल करने के तरीके पर निर्भर करता है। यही कड़ी अंतरिक्ष में मौजूद हार्डवेयर को AI पूर्वानुमान मॉडल की इनपुट प्रक्रिया से जोड़ती है।
Aurora और WeatherNext की भूमिका
Microsoft के अनुसार, Aurora 1.5 उसके पृथ्वी-तंत्र आधार मॉडल का विस्तारित रूप है, जिसमें हर घंटे का समयगत विभेदन, पूर्वानुमान के अधिक चर और संभाव्यता-आधारित एन्सेंबल पूर्वानुमान शामिल हैं। एन्सेंबल में भविष्य के कई संभावित नतीजे दर्शाए जाते हैं, जिससे उपयोगकर्ता अनिश्चितता का आकलन कर सकते हैं।
WeatherNext 2 वैश्विक एन्सेंबल पूर्वानुमान के लिए Functional Generative Network संरचना का उपयोग करता है। Google के दस्तावेज़ों में 0.25-डिग्री का ग्रिड, एन्सेंबल के 64 सदस्य और 15 दिनों की पूर्वानुमान अवधि दी गई है। Tomorrow.io द्वारा बताए गए मूल्यांकन में पाँच दिनों की अवधि शामिल है।
इसके बाद Google ने WeatherNext 3 पेश किया, जिसमें लाइव उपग्रह अवलोकन शामिल हैं और यह हर घंटे के पूर्वानुमान तैयार करता है। यहाँ चर्चा किए गए Tomorrow.io के नतीजे WeatherNext 2 से संबंधित हैं; उनसे Google के नए मॉडल में सुधार की पुष्टि नहीं होती।
मौसम पूर्वानुमान में AI की व्यापक दिशा
ये कंपनी द्वारा रिपोर्ट किए गए पूर्वव्यापी मूल्यांकन हैं। ये प्रारंभिक स्थितियों और अवलोकनों की गुणवत्ता की उपयोगी जाँच करते हैं, जबकि जारी वक्तव्य के अनुसार डेटा अनुरोध पर उपलब्ध है। इसमें तूफानों के मार्गों, वायुमंडलीय नदियों के तट पर पहुँचने और गंभीर मौसम की घटनाओं के प्रकोप का मूल्यांकन करने के काम का वर्णन है, लेकिन इन घटनाओं के लिए तापमान के पूर्वानुमान की समय-सीमा में इसी तरह के सुधार की पुष्टि नहीं की गई है।
व्यापक सबक यह है कि मौसम संबंधी AI, पूर्वानुमान की पूरी प्रक्रिया में आगे बढ़ता है: अवलोकन, डेटा समाकलन, भविष्यवाणी और मूल्यांकन। Tomorrow.io के परीक्षण दिखाते हैं कि इनपुट की जाँच से ऐसे सुधार सामने आ सकते हैं, जो केवल पूर्वानुमान मॉडल की संरचनाओं की तुलना करने पर नज़र नहीं आएँगे। उपयोगकर्ताओं के लिए असल मायने उन चरों, स्थानों और निर्णय-अवधियों में भरोसेमंद सुधारों के होंगे, जो उनके कामकाज के लिए महत्त्वपूर्ण हैं।












