बायेसियन कन्वोल्यूशनल न्यूरल नेटवर्क (BCNN)

संदर्भ

हैदराबाद स्थित भारतीय राष्ट्रीय महासागर सूचना सेवा केंद्र (Indian National Centre for Ocean Information Services- INCOIS) ने एक अनोखा टूल विकसित किया है। 

संबंधित तथ्य

• नया उपकरण बायेसियन कन्वोल्यूशनल न्यूरल नेटवर्क (Bayesian Convolutional Neural Network- BCNN) है।
• उद्देश्य: इस उपकरण का उद्देश्य अल नीनो दक्षिणी दोलन (El Nino Southern Oscillation- ENSO) के अल नीनो एवं ला नीना चरणों की शुरुआत का पूर्वानुमान लगाता है।
  • यह 15 महीने पहले तक इन जलवायु पैटर्न की भविष्यवाणी कर सकता है।
  • 5 जून को जारी बुलेटिन के अनुसार, इसकी अत्यधिक संभावना (70-90% संभावना) है कि ला नीना की स्थिति जुलाई से सितंबर तक विकसित होगी एवं फरवरी 2025 तक बनी रहेगी।

बायेसियन कन्वोल्यूशनल न्यूरल नेटवर्क (BCNN) के बारे में

• यह कन्वोल्यूशनल न्यूरल नेटवर्क का एक प्रकार है। 
  • यह आर्टिफिशियल इंटेलिजेंस (Artificial Intelligence), डीप लर्निंग एवं मशीन लर्निंग (ML) सहित उन्नत तकनीकों का उपयोग करता है।
• यह अल नीनो दक्षिणी दोलन (ENSO) के अल नीनो एवं ला नीना चरणों की शुरुआत का पूर्वानुमान लगाता है।
  • यह 15 महीने पहले तक इन जलवायु पैटर्न की भविष्यवाणी कर सकता है।

 मॉडल की कार्यक्षमता

• उद्देश्य: BCNN का लक्ष्य ENSO के अल नीनो एवं ला नीना चरणों से संबंधित पूर्वानुमानों को बढ़ाना है।
• मॉडल की पूर्वानुमानित क्षमताएँ वायुमंडलीय अंतःक्रियाओं के साथ-साथ इन चरणों एवं क्रमिक समुद्री परिवर्तनों के बीच संबंध का लाभ उठाती हैं।

परिचालन विवरण

• मॉडल Nino3.4 सूचकांक मान के आधार पर भविष्यवाणियों की गणना करता है।
• यह सूचकांक मध्य भूमध्यरेखीय प्रशांत क्षेत्र में समुद्र की सतह के तापमान (Sea Surface Temperature- SST) की विसंगतियों का औसत है, जो 5°N से 5°S एवं 170°W से 120°W तक फैला हुआ है।

महत्त्व 

• प्रारंभिक चेतावनी प्रणाली: समुद्री विविधताओं एवं उनके वायुमंडलीय प्रभावों का विश्लेषण करके प्रारंभिक पूर्वानुमान प्रदान करती है, तैयारियों तथा योजना के लिए मूल्यवान समय प्रदान करती है।
• ENSO में उन्नति: बायेसियन कन्वोल्यूशनल न्यूरल नेटवर्क ENSO भविष्यवाणी तकनीक में एक महत्त्वपूर्ण प्रगति का प्रतिनिधित्व करता है।
  • यह महासागर-वायुमंडलीय अंतःक्रियाओं से जुड़ी जलवायु परिवर्तनशीलता को बेहतर ढंग से समझने और उसके लिए तैयारी करने में सहायता करता है।

अल नीनो दक्षिणी दोलन (ENSO) क्या है?

• ENSO में ऊपरी वायुमंडल में परिवर्तन के साथ-साथ मध्य एवं पूर्वी उष्णकटिबंधीय प्रशांत महासागर में जल के तापमान में उतार-चढ़ाव शामिल है।
• ENSO के चरण
  • ENSO 2-7 वर्षों तक चलने वाले अनियमित चक्रों में कार्य करता है एवं तीन मुख्य चरणों में प्रकट होता है: गर्म (अल नीनो), ठंडा (ला नीना), तथा तटस्थ।
    • तटस्थ चरण: तटस्थ चरण के दौरान, दक्षिण अमेरिका के निकट पूर्वी प्रशांत महासागर ठंडा रहता है, क्योंकि प्रचलित पूर्व से पश्चिम दिशा की ओर चलने वाली हवाएँ गर्म जल को इंडोनेशिया की ओर विस्थापित कर देती हैं।
    • अल नीनो चरण
      • अल नीनो में, कमजोर पवन प्रणालियाँ गर्म जल के विस्थापन को कम कर देती हैं।
        • परिणामस्वरूप, पूर्वी प्रशांत महासागर सामान्य से अधिक गर्म हो जाता है।
    • ला नीना चरण
      • इसके विपरीत, ला नीना में, मजबूत पवन प्रणालियाँ इंडोनेशिया की ओर गर्म जल के विस्थापन को तेज कर देती हैं। 
        • इससे पूर्वी प्रशांत क्षेत्र में सामान्य से अधिक ठंडी स्थितियाँ उत्पन्न हो जाती हैं।
• भारत पर प्रभाव (मानसून पर प्रभाव)
  • अल नीनो: इसके परिणामस्वरूप अक्सर पूरे भारत में कमजोर मानसून और तेज हीट वेव की स्थिति होती हैं।
  • ला नीना: इसके दौरान आमतौर पर भारतीय क्षेत्र में एक मजबूत मानसून के मौसम की स्थिति का निर्माण होता है।
• ENSO के ये चरण वैश्विक वायुमंडलीय परिसंचरण को महत्त्वपूर्ण रूप से प्रभावित करते हैं, जिससे भारत सहित दुनिया भर में मौसम का पैटर्न प्रभावित होता है।

मौजूदा मॉडल (सांख्यिकीय एवं गतिशील) तथा BCNN मॉडल के बीच तुलना

विशेषता	सांख्यिकीय मॉडल	गतिशील मॉडल	BCNN मॉडल
पूर्वानुमान दृष्टिकोण	ऐतिहासिक डेटा एवं सांख्यिकीय संबंधों का उपयोग करता है	वातावरण का 3D गणितीय सिमुलेशन	गतिशील मॉडलिंग को AI के साथ जोड़ता है।
सटीकता	कम सही	बेहद सटीक	AI के साथ सटीकता में वृद्धि
समय सीमा	6-9 महीने तक	अल नीनो/ला नीना के लिए 15 महीने तक	लीड समय को महत्त्वपूर्ण रूप से बढ़ाता है।
डेटा उपयोग	ऐतिहासिक डेटा सेट	वास्तविक समय डेटा एवं पिछले जलवायु परिदृश्य	CMIP5/CMIP6 + मौजूदा डेटा का उपयोग।
विकास का समय	तेजी से विकसित होना	उच्च कंप्यूटेशनल संसाधनों की आवश्यकता होती है।	परीक्षण चरणों के साथ 8 महीने।
अनुप्रयोग का दायरा	लघु से मध्यम अवधि के पूर्वानुमान के लिए।	विस्तृत जलवायु अनुमान एवं विशिष्ट घटनाओं के लिए।	दीर्घकालिक ENSO भविष्यवाणियों के लिए।

BCNN को विकसित करने में चुनौतियाँ

• सीमित डेटा: मौसम पूर्वानुमान मॉडल प्रशिक्षण के लिए पुराने डेटा पर निर्भर करते हैं। जबकि स्थल आधारित डेटा मौजूद है, महासागरों के लिए डेटा दुर्लभ है, विशेषकर लंबी अवधि के लिए।
  • समुद्री डेटा की यह कमी विशेष रूप से अल नीनो/ला नीना की भविष्यवाणी को प्रभावित करती है।
• समुद्री डेटा में कमी: वैश्विक समुद्री तापमान रिकॉर्ड केवल वर्ष 1871 के बाद से ही विश्वसनीय रूप से उपलब्ध हैं।
  • इसके परिणामस्वरूप अल नीनो एवं ला नीना की भविष्यवाणियों के लिए BCNN जैसे गहन शिक्षण मॉडल के प्रशिक्षण के लिए 150 से भी कम मासिक डेटा उपलब्ध हैं।
    • यह ऐसी भविष्यवाणियों के लिए प्रशिक्षण डेटासेट को सीमित करता है।

डेटा चुनौतियों पर नियंत्रण पाना

CMIP डेटा का उपयोग

• INCOIS ने कपल्ड मॉडल इंटरकंपेरिजन प्रोजेक्ट चरण (Coupled Model Intercomparison Project)- 5 एवं 6 अर्थात् CMIP5 व CMIP6 से ऐतिहासिक अवधि (1850-2014) को एकीकृत करके डेटा की कमी को संबोधित किया जा सकता है।
• प्रशिक्षण डेटासेट के इस संवर्द्धन ने ENSO चरणों का पूर्वानुमान लगाने के लिए मॉडल की क्षमता को समृद्ध किया है।

DOWNLOAD PDF