जनवरी 2013 में रिकॉर्ड शुरू होने के बाद मिशिगन झील का जलस्तर अपने सबसे निचले स्तर पर पहुँच गया था। फिर 2020 की गर्मियों में उसने उलटकर ऊँचाई का रिकॉर्ड तोड़ दिया, जिससे बाढ़ और तट का कटाव हुआ तथा झील किनारे की सड़कें बंद करनी पड़ीं। इन दोनों रिकॉर्डों के बीच जलस्तर का अंतर लगभग 2 मीटर था। लेख के अनुसार, सुपीरियर झील, एरी झील और ओंटारियो झील में भी कुछ महीनों के अंतराल पर ऐसे ही उलटफेर हुए। जलस्तर में इस बड़े बदलाव का अनुमान लगाने और उसके कारणों को समझाने के लिए शोधकर्ताओं ने विश्लेषण में कृत्रिम बुद्धिमत्ता (AI) मॉडल का इस्तेमाल किया।

पृष्ठभूमि और संदर्भ

झीलों का जलस्तर बारिश और बर्फ़, वाष्पीकरण, जल-आवक और जल-निकास के साथ-साथ मानवीय फैसलों से भी प्रभावित होता है। जलस्तर का संबंध बंदरगाहों में पानी की गहराई, तटरेखा की स्थिरता, पीने के पानी के लिए जल-निकासी और तटीय आर्द्रभूमियों के अस्तित्व से भी है। इसलिए मॉडल का काम सिर्फ़ जलस्तर का सही अनुमान लगाना नहीं, बल्कि यह समझाना भी है कि बदलाव किन कारकों से हुआ। यह बाँधों या बाढ़ के जोखिम के प्रबंधन के लिए अहम हो सकता है।

शोधकर्ताओं ने सुपीरियर झील, मिशिगन झील, एरी झील और ओंटारियो झील के 1982~2022 के मासिक जलस्तर के आँकड़ों से 8 एल्गोरिदम को प्रशिक्षित किया। हर एल्गोरिदम में तापमान और जल-आवक समेत 9 कारक डाले गए। इसमें हर कारक का चालू महीने का मान और उससे पहले के अधिकतम 6 महीनों के मान भी शामिल थे। इससे मॉडल जून के जलस्तर और जनवरी की बर्फ़ के बीच संबंध, उदाहरण के लिए, देख सकता था।

सबसे अच्छा प्रदर्शन करने वाले 4 एल्गोरिदम की त्रुटि घटकर लगभग 12 सेमी रह गई। सरल मॉडल की त्रुटि 14~21 सेमी थी। शोधकर्ताओं ने हर कारक के योगदान को देखने के लिए SHAP (यह तरीका बताता है कि हर कारक ने अनुमानित नतीजे में कितना योगदान दिया) और यह देखने के लिए VARS विश्लेषण का इस्तेमाल किया कि किसी कारक में हस्तक्षेप करने पर समय के साथ उसका प्रभाव कैसे बदलता है।

SHAP दिखाता है कि किसी खास महीने में जलस्तर बढ़ने या घटने में हर कारक का कितना योगदान था। लेकिन यह नहीं बताता कि जलग्रहण क्षेत्र (वह इलाका जहाँ का पानी एक जगह इकट्ठा होता है) में संकेत को एक जगह से दूसरी जगह पहुँचने में कितना समय लगता है। समय के अंतर का विश्लेषण करने के लिए शोधकर्ताओं ने VARS विश्लेषण में किसी कारक में हस्तक्षेप के एक महीने और 6 महीने बाद के प्रभाव देखे।

इस खबर का अर्थ

शोधकर्ताओं ने अनुमान लगाया था कि किसी कारक का जलस्तर पर असर अतीत में पीछे जाने के साथ कम होता जाएगा, लेकिन उन्होंने देखा कि 3~4 महीने बीतने के बाद उसका प्रभाव बढ़ जाता है। शोधकर्ताओं का निष्कर्ष है कि ये झीलें पिछले दिन के मौसम के बजाय पिछली ऋतु की परिस्थितियों पर प्रतिक्रिया करती हैं। जनवरी की बर्फ़ जून के जलस्तर को प्रभावित कर सकती है—यह बताता है कि मौसमी अनुमान में कई महीने पहले की परिस्थितियों को भी देखने की वजह क्यों है।

यह नतीजा इसलिए उल्लेखनीय है कि झीलों के जलस्तर को केवल अल्पकालीन मौसम से नहीं समझाया जा सकता। यदि मौसमी पूर्वानुमान लगाने वाला मॉडल तापमान और जल-आवक जैसे पिछले कई महीनों के कारकों पर भी विचार करे, तो संभव है कि वह जलस्तर में बदलाव के संकेत बेहतर ढंग से पकड़ सके। हालांकि, इस अध्ययन की त्रुटि के आँकड़ों से यह पता नहीं चलता कि वास्तविक परिस्थितियों में अनुमान कितना उपयोगी होगा या बाढ़ और बाँध प्रबंधन के नतीजे कितने बदलेंगे।

ओंटारियो झील ने मॉडल की सीमा भी उजागर की। इस झील के लिए मॉडल की त्रुटि अपेक्षा से 50% से अधिक थी और लेख ने इसे मानवीय फैसलों से जोड़ा। ओंटारियो प्रांत के कॉर्नवाल के पास स्थित मोज़ेस-सॉन्डर्स पनबिजली बाँध में रोज़ाना समायोजित किए जाने वाले संचालन नियमों के अनुसार जलस्तर का प्रबंधन होता है। लेकिन मॉडल में हर कारक के मासिक औसत मान डाले जाते हैं, इसलिए महीने भर के जल-निकास को तय करने वाले फैसलों का क्रम औसत में खो सकता है।

ओंटारियो झील के मामले में शोधकर्ताओं ने प्रस्ताव दिया कि जलवायु कारकों के अलावा जलस्तर के प्रबंधन में इस्तेमाल होने वाले संचालन नियम भी मॉडल को दिए जाएँ। यह इस झील में मानवीय फैसलों से जुड़ी समस्या के लिए एक प्रस्ताव है; इसे बढ़ाकर यह निष्कर्ष नहीं निकाला जा सकता कि हर मौसमी पूर्वानुमान के लिए भी यही शर्त आवश्यक है।

शोधकर्ताओं ने बताया कि वे Ouranos के साथ मिलकर इस तरीके को दक्षिणी क्यूबेक में भूजल पुनर्भरण के अध्ययन में भी लागू कर रहे हैं। इस काम में भौतिकी-आधारित मॉडल (ऐसा मॉडल जो प्राकृतिक घटनाओं के काम करने के भौतिक सिद्धांतों को शामिल करता है) इस्तेमाल किया जाता है। इस अध्ययन से जो दिशा सामने आती है, वह यह है कि जलस्तर जैसी जटिल पर्यावरणीय समस्याओं में नतीजों के कारणों की जाँच कर सकने वाले मॉडल प्रबंधन संबंधी फैसलों की समीक्षा और उन पर चर्चा करने में मददगार हो सकते हैं।

पुष्ट तथ्य और जो अभी अज्ञात है

पुष्ट तथ्य

  • शोधकर्ताओं ने चार झीलों के 1982~2022 के मासिक जलस्तर के आँकड़ों से 8 एल्गोरिदम को प्रशिक्षित किया।
  • हर एल्गोरिदम में तापमान और जल-आवक समेत 9 कारक शामिल थे, जिनके चालू महीने से लेकर उससे पहले के अधिकतम 6 महीनों तक के मान लिए गए थे।
  • सबसे अच्छा प्रदर्शन करने वाले 4 एल्गोरिदम की त्रुटि लगभग 12 सेमी थी, जबकि सरल मॉडल की त्रुटि 14~21 सेमी थी।
  • शोधकर्ताओं ने यह देखा कि कारकों का प्रभाव समय में पीछे जाने के साथ कम होने की अपेक्षा के उलट, 3~4 महीने बाद बढ़ गया।
  • ओंटारियो झील के जलस्तर का प्रबंधन मोज़ेस-सॉन्डर्स पनबिजली बाँध के दैनिक संचालन नियमों के अनुसार होता है। शोधकर्ताओं ने प्रस्ताव दिया कि ये नियम मॉडल को दिए जाने चाहिए।

जो अभी अज्ञात है

  • अध्ययन में इस्तेमाल किए गए 8 एल्गोरिदम और 9 कारकों की पूरी सूची क्या है?
  • मॉडल की सटीकता का आकलन किस सत्यापन पद्धति और पूर्वानुमान अवधि के आधार पर किया गया?
  • ओंटारियो झील के संचालन नियमों को मॉडल में शामिल करने से अनुमान की त्रुटि कितनी कम होगी?

पाठक किन बातों की जाँच करें

  • जलस्तर के अनुमान देखते समय सटीकता के आँकड़ों के साथ-साथ पूर्वानुमान की अवधि और सत्यापन पद्धति भी देखनी चाहिए। इस लेख के मूल पाठ में ये विस्तृत मानदंड नहीं दिए गए थे।
  • यदि बाढ़ या बाँध संचालन में AI पूर्वानुमान का इस्तेमाल किया जा रहा हो, तो यह देखा जा सकता है कि इनपुट आँकड़ों में सिर्फ़ मासिक औसत जलवायु और जल-निकास शामिल हैं या वास्तविक संचालन नियम और निर्णय प्रक्रिया भी शामिल हैं।
  • मौसमी जलस्तर के पूर्वानुमान की व्याख्या करते समय यह देखा जा सकता है कि विश्लेषण में सिर्फ़ चालू महीने का मौसम शामिल था या कई महीने पहले की परिस्थितियाँ भी। शोधकर्ताओं ने निष्कर्ष निकाला कि पिछली ऋतु की परिस्थितियाँ जलस्तर को प्रभावित कर सकती हैं।