परिचय
बाढ़, विरल स्ट्रीमफ्लो गेज नेटवर्क वाले विकासशील देशों पर असमान रूप से प्रभाव डालती है, जो सटीक प्रारंभिक चेतावनियों की आवश्यकता पर प्रकाश डालती है। जलवायु परिवर्तन के कारण बाढ़ संबंधी आपदाओं में तेजी, प्रभावी प्रारंभिक चेतावनी प्रणालियों की तात्कालिकता को रेखांकित करती है, खासकर निम्न और मध्यम आय वाले देशों में जहां 90% कमजोर आबादी रहती है। विश्व बैंक के अनुसार, विकासशील देशों में बाढ़ पूर्व चेतावनी प्रणालियों को विकसित मानकों के अनुसार उन्नत करने से सालाना औसतन 23,000 लोगों की जान बचाई जा सकती है। हालाँकि, चुनौतियाँ बनी हुई हैं, जिनमें व्यक्तिगत वाटरशेड अंशांकन की आवश्यकता और कमजोर क्षेत्रों में सीमित पूर्वानुमान शामिल हैं। इस लेख में, हम Google के शोध पत्र को समझेंगे जो 5 दिन पहले तक नदी में बाढ़ की भविष्यवाणी करने के लिए कृत्रिम बुद्धिमत्ता (एआई) का उपयोग करता है, जिसमें 80 से अधिक देशों, विशेष रूप से डेटा-दुर्लभ और कमजोर क्षेत्रों में इसके संभावित प्रभावों का विवरण दिया गया है।
विषय - सूची
बाढ़ का विनाशकारी प्रभाव
बाढ़ प्राकृतिक आपदा का सबसे आम प्रकार है, और बाढ़ से संबंधित आपदाओं की दर 2000 के बाद से दोगुनी से अधिक हो गई है। इस वृद्धि का श्रेय मानवजनित जलवायु परिवर्तन के कारण बढ़ते जल विज्ञान चक्र को दिया जाता है। विकासशील देशों में बाढ़ के प्रभाव विशेष रूप से गंभीर हैं, जहां आबादी बाढ़ के जोखिमों के प्रति अत्यधिक संवेदनशील है। बाढ़ के विनाशकारी परिणाम मानव जीवन और संपत्ति पर प्रभाव को कम करने के लिए सटीक और समय पर बाढ़ की चेतावनी की तत्काल आवश्यकता को रेखांकित करते हैं।
बाढ़ की वर्तमान स्थिति का पूर्वानुमान
बाढ़ पूर्वानुमान की वर्तमान स्थिति चुनौतियों का सामना करती है, विशेष रूप से अनगेज्ड बेसिन में जहां हाइड्रोलॉजिकल भविष्यवाणी मॉडल को अंशांकन के लिए अधिक विश्वसनीय डेटा की आवश्यकता होती है। यह सीमा बाढ़ के पूर्वानुमानों की सटीकता और लीड समय में बाधा डालती है, खासकर बाढ़ के मानवीय प्रभावों के प्रति संवेदनशील क्षेत्रों में। विकासशील देशों में घने प्रवाह प्रवाह गेज नेटवर्क की कमी बाढ़ की चेतावनियों की अशुद्धि को और बढ़ा देती है, जो विश्वसनीय बाढ़ पूर्वानुमानों तक बेहतर वैश्विक पहुंच की महत्वपूर्ण आवश्यकता को उजागर करती है।
आशा की एक किरण: बचाव के लिए Google AI
गूगल आर्टिफिशियल इंटेलिजेंस (एआई) वैश्विक बाढ़ पूर्वानुमान की चुनौतियों का एक आशाजनक समाधान प्रस्तुत करता है। एआई और खुले डेटासेट का लाभ उठाकर, अत्यधिक नदी संबंधी घटनाओं के अल्पकालिक पूर्वानुमानों की सटीकता, रिकॉल और लीड समय में उल्लेखनीय सुधार करने की संभावना है। 80 से अधिक देशों में वास्तविक समय में सार्वजनिक रूप से उपलब्ध पूर्वानुमान तैयार करने वाली एक परिचालन प्रणाली का विकास, अनगेज्ड बेसिनों में प्रारंभिक और सटीक बाढ़ चेतावनी प्रदान करने के लिए एआई की क्षमता को प्रदर्शित करता है। यह विश्वसनीय बाढ़ पूर्वानुमानों और प्रारंभिक चेतावनी प्रणालियों तक वैश्विक पहुंच बढ़ाने में एक महत्वपूर्ण प्रगति का प्रतीक है।
Google शोध पत्र: AI ने बाढ़ पूर्वानुमान में क्रांति ला दी है
RSI गूगल शोध पत्र खुले और सार्वजनिक डेटासेट पर प्रशिक्षित कृत्रिम बुद्धिमत्ता (एआई) का उपयोग करके बाढ़ के पूर्वानुमान में महत्वपूर्ण प्रगति प्रस्तुत करता है। अध्ययन अंतरराष्ट्रीय नदियों में चरम घटनाओं के पूर्वानुमानों तक वैश्विक पहुंच में क्रांतिकारी बदलाव लाने के लिए एआई की क्षमता का मूल्यांकन करता है। एआई का लाभ उठाकर, 7 से अधिक देशों में अल्पकालिक (80-दिवसीय) बाढ़ पूर्वानुमान तैयार करने के लिए एक परिचालन प्रणाली विकसित की गई है, जो मौद्रिक शुल्क या वेबसाइट पंजीकरण जैसी बाधाओं के बिना वास्तविक समय के पूर्वानुमान प्रदान करती है।
वैश्विक बाढ़ पूर्वानुमान के लिए एआई का उपयोग करना
Google शोध पत्र वैश्विक बाढ़ पूर्वानुमानों के लिए एआई के उपयोग पर प्रकाश डालता है, एआई स्ट्रीमफ्लो पूर्वानुमान मॉडल के विकास पर प्रकाश डालता है जो हाइड्रोलॉजिकल नाउकास्ट मॉडल पर पिछले काम का विस्तार करता है। मॉडल का उपयोग करता है दीर्घकालिक अल्पकालिक स्मृति (LSTM) नेटवर्क 7-दिवसीय पूर्वानुमान क्षितिज के माध्यम से दैनिक प्रवाह प्रवाह की भविष्यवाणी करता है। विशेष रूप से, एआई मॉडल इनपुट के रूप में स्ट्रीमफ्लो डेटा का उपयोग नहीं करता है, विशेष रूप से अनगेज्ड स्थानों में वास्तविक समय डेटा उपलब्धता की चुनौती को संबोधित करता है। मॉडल आर्किटेक्चर में ऐतिहासिक और पूर्वानुमानित मौसम संबंधी इनपुट डेटा के लिए अलग-अलग एलएसटीएम इकाइयों के साथ एक एनकोडर-डिकोडर मॉडल शामिल है।
ओपन डेटा से लेकर रीयल-टाइम पूर्वानुमान तक
एआई मॉडल के आधार पर विकसित परिचालन प्रणाली 80 से अधिक देशों में वास्तविक समय में बाढ़ का पूर्वानुमान प्रदान करती है, जो विश्वसनीय बाढ़ चेतावनियों तक वैश्विक पहुंच में सुधार करने में एक महत्वपूर्ण मील का पत्थर है। वास्तविक समय में पूर्वानुमानों की उपलब्धता से पता चलता है कि पहुंच में बाधाओं के बिना अल्पकालिक पूर्वानुमान तैयार करने की प्रणाली की क्षमता
और नि:शुल्क, बाढ़ की घटनाओं के लिए प्रारंभिक चेतावनी प्रणालियों को बढ़ाने के लिए एआई की क्षमता को रेखांकित करता है।
अत्याधुनिक से परे
एआई मॉडल का प्रदर्शन वर्तमान अत्याधुनिक वैश्विक मॉडलिंग प्रणाली, कॉपरनिकस आपातकालीन प्रबंधन सेवा वैश्विक बाढ़ जागरूकता प्रणाली (ग्लोफ़ास). अध्ययन की रिपोर्ट है कि एआई-आधारित पूर्वानुमान पांच दिनों तक के लीड समय में अनगेज्ड वॉटरशेड में चरम नदी की घटनाओं की भविष्यवाणी करने में विश्वसनीयता प्राप्त करता है, जो ग्लोएफएएस के नाउकास्ट की विश्वसनीयता के बराबर या उससे बेहतर है। इसके अतिरिक्त, पांच साल की रिटर्न अवधि की घटनाओं पर एआई मॉडल की सटीकता एक साल की रिटर्न अवधि की घटनाओं पर वर्तमान सटीकता के समान या उससे बेहतर है, जो अनगेज्ड बेसिन में बड़ी और अधिक प्रभावशाली घटनाओं पर प्रारंभिक और सटीक बाढ़ चेतावनी प्रदान करने की क्षमता का संकेत देती है।
हुड के तहत: एआई मॉडल
दिमाग का निर्माण
एआई स्ट्रीमफ्लो पूर्वानुमान मॉडल मौसम संबंधी इनपुट डेटा से स्ट्रीमफ्लो डेटा के अनुक्रमों को अनुकरण करने के लिए एलएसटीएम नेटवर्क का उपयोग करके हाइड्रोलॉजिकल नाउकास्ट मॉडल पर पिछले काम का विस्तार करता है। मॉडल एक एनकोडर-डिकोडर आर्किटेक्चर का उपयोग करता है जिसमें एक एलएसटीएम मौसम संबंधी इनपुट डेटा (एनकोडर एलएसटीएम) के ऐतिहासिक अनुक्रम पर चलता है और दूसरा एलएसटीएम मौसम संबंधी पूर्वानुमानों (डिकोडर एलएसटीएम) के इनपुट के साथ 7-दिवसीय पूर्वानुमान क्षितिज पर चलता है। मॉडल अनगेज्ड स्थानों में वास्तविक समय डेटा की अनुपलब्धता के कारण स्ट्रीमफ्लो डेटा को इनपुट के रूप में उपयोग नहीं करता है, और बेंचमार्क (ग्लोएफएएस) ऑटोरेग्रेसिव इनपुट का उपयोग नहीं करता है। डेटासेट में 152,259 वाटरशेड से 5,680 वर्षों के लिए मॉडल इनपुट और स्ट्रीमफ्लो लक्ष्य शामिल हैं, जिसमें कुल 60 जीबी आकार डिस्क में सहेजा गया है।
डेटा टाइमलाइन
यह आंकड़ा एआई मॉडल के साथ प्रशिक्षण और भविष्यवाणी के लिए उपयोग किए जाने वाले प्रत्येक स्रोत से उपलब्ध डेटा अवधि को दर्शाता है। प्रशिक्षण के दौरान, लापता डेटा को या तो किसी अन्य डेटा स्रोत से समान चर का उपयोग करके या एक औसत मूल्य के साथ आरोपित करके और एक आरोपित मूल्य को इंगित करने के लिए एक बाइनरी ध्वज जोड़कर लगाया गया था। मॉडल 365 दिनों की हिंडकास्ट अनुक्रम लंबाई का उपयोग करता है, जिसमें एनकोडर और डिकोडर एलएसटीएम दोनों के लिए 256 सेल राज्यों का एक छिपा हुआ आकार होता है।
एआई मॉडल कितनी अच्छी भविष्यवाणी करता है?
एआई मॉडल के प्रदर्शन का मूल्यांकन क्रॉस-वैलिडेशन प्रयोगों का उपयोग करके किया गया था, जिसमें आउट-ऑफ-सैंपल भविष्यवाणियों को सुनिश्चित करने के लिए समय और स्थान में विभाजित 5,680 गेज के डेटा शामिल थे। मॉडल प्रत्येक समय चरण पर क्षेत्र-सामान्यीकृत स्ट्रीमफ्लो डिस्चार्ज पर एकल असममित लाप्लासियन वितरण के मापदंडों की भविष्यवाणी करता है और लीड समय का पूर्वानुमान लगाता है। मॉडल को 50,000 के बैच आकार के साथ 256 मिनीबैच पर प्रशिक्षित किया गया था और प्रशिक्षण-अवधि डेटा के मानक विचलन द्वारा माध्य घटाकर और विभाजित करके इनपुट को मानकीकृत किया गया था।
मॉडल को परीक्षण के लिए रखना
क्रॉस-वैलिडेशन प्रयोगों में महाद्वीपों, जलवायु क्षेत्रों और हाइड्रोलॉजिकल रूप से अलग किए गए जलक्षेत्रों के समूहों में विभाजन शामिल थे। एआई मॉडल का मूल्यांकन स्थान और समय दोनों में आउट-ऑफ-सैंपल किया गया था, और परिणाम एक हाइड्रोग्राफ पर रिपोर्ट किए गए थे, जो तीन अलग-अलग प्रशिक्षित एनकोडर-डिकोडर एलएसटीएम के एक समूह से अनुमानित हाइड्रोग्राफ के औसत के परिणामस्वरूप हुआ था।
हाइड्रोग्राफ मेट्रिक्स के साथ मॉडल का मूल्यांकन
एआई मॉडल और ग्लोएफएएस के समग्र मूल्यांकन गेज के लिए हाइड्रोग्राफ मेट्रिक्स का मूल्यांकन किया गया, जिसमें लीड टाइम बढ़ने के साथ स्कोर कम हो गए। परिणामों की गणना 2014-2021 की समय अवधि के लिए की गई थी, और मेट्रिक्स को विस्तारित डेटा तालिका 1 में सूचीबद्ध किया गया था। इसके अतिरिक्त, एआई मॉडल और ग्लोएफएएस के लिए 1,144 गेजों पर हाइड्रोग्राफ मेट्रिक्स, जहां ग्लोएफएएस को कैलिब्रेट किया गया था, का मूल्यांकन किया गया था, जिसमें लीड बढ़ने के साथ स्कोर कम हो रहे थे। समय।
एआई टिक क्या बनाता है?
विश्वसनीयता क्लासिफायर से फ़ीचर महत्व रैंकिंग का उपयोग यह इंगित करने के लिए किया गया था कि कौन सी भूभौतिकीय विशेषताएँ एआई मॉडल में उच्च बनाम निम्न विश्वसनीयता निर्धारित करती हैं। एआई मॉडल की सबसे आवश्यक विशेषताओं में जल निकासी क्षेत्र, औसत वार्षिक संभावित वाष्पीकरण (पीईटी), औसत वार्षिक वास्तविक वाष्पीकरण (एईटी), और ऊंचाई शामिल हैं। इन विशेषताओं को विश्वसनीयता स्कोर के साथ सहसंबद्ध किया गया था, जो मॉडल में उच्च स्तर की गैर-रैखिकता और पैरामीटर इंटरैक्शन का संकेत देता है।
निष्कर्ष
जबकि हाइड्रोलॉजिकल मॉडलिंग परिपक्व हो गई है, कई बाढ़-प्रवण क्षेत्रों में विश्वसनीय पूर्वानुमान और प्रारंभिक चेतावनी प्रणालियों का अभाव है। Google शोध पत्र दर्शाता है कि एआई और खुले डेटा का लाभ उठाने से चरम नदी की घटनाओं के लिए अल्पकालिक पूर्वानुमानों की सटीकता, रिकॉल और लीड टाइम में काफी सुधार हो सकता है। एआई-आधारित पूर्वानुमान वर्तमान वैश्विक नाउकास्ट की विश्वसनीयता को 5-दिवसीय लीड टाइम तक बढ़ाकर और अफ्रीका में पूर्वानुमान कौशल को यूरोप के बराबर स्तर तक सुधारकर एक आशाजनक समाधान प्रदान करता है।
इसके अलावा, पहुंच बाधाओं के बिना वास्तविक समय में सार्वजनिक रूप से इन पूर्वानुमानों को प्रदान करने से बाढ़ की चेतावनियों का समय पर प्रसार संभव हो जाता है। इस प्रगति के बावजूद, कारवां जैसी ओपन-सोर्स पहल के माध्यम से सटीक मॉडल और वास्तविक समय अपडेट को प्रशिक्षित करने के लिए हाइड्रोलॉजिकल डेटा तक पहुंच बढ़ाकर और सुधार की गुंजाइश है। दुनिया भर में लाखों लोगों को जीवन और संपत्ति पर बाढ़ के विनाशकारी प्रभावों से बचाने के लिए वैश्विक बाढ़ की भविष्यवाणियों और प्रारंभिक अलर्ट को बढ़ाना महत्वपूर्ण है। एआई, खुले डेटा और सहयोगात्मक प्रयासों का संयोजन इस महत्वपूर्ण लक्ष्य की ओर मार्ग प्रशस्त करता है।
- एसईओ संचालित सामग्री और पीआर वितरण। आज ही प्रवर्धित हो जाओ।
- प्लेटोडेटा.नेटवर्क वर्टिकल जेनरेटिव एआई। स्वयं को शक्तिवान बनाएं। यहां पहुंचें।
- प्लेटोआईस्ट्रीम। Web3 इंटेलिजेंस। ज्ञान प्रवर्धित। यहां पहुंचें।
- प्लेटोईएसजी. कार्बन, क्लीनटेक, ऊर्जा, पर्यावरण, सौर, कचरा प्रबंधन। यहां पहुंचें।
- प्लेटोहेल्थ। बायोटेक और क्लिनिकल परीक्षण इंटेलिजेंस। यहां पहुंचें।
- स्रोत: https://www.analyticsvidhya.com/blog/2024/03/google-ai-predicts-riverine-flood-in-advance/