Google बाढ़ की भविष्यवाणी: एक अंदर का नजारा

कुछ साल पहले, हमने तय किया कि बाढ़ की भविष्यवाणी लोगों के जीवन को बेहतर बनाने का एक अनूठा अवसर प्रदान करती है, और हमने यह देखना शुरू किया कि Google में मशीन सीखने का बुनियादी ढांचा और अनुभव इस क्षेत्र में कैसे मदद कर सकता है। पिछले साल, हमने भारत के पटना क्षेत्र में बाढ़ की भविष्यवाणी के लिए अपनी पायलट परियोजना शुरू की, और तब से हमने समाज कल्याण नीति के लिए AI के हिस्से के रूप में अपनी भविष्यवाणी कवरेज का विस्तार किया है। इस लेख में, हम इन प्रयासों के पीछे कुछ प्रौद्योगिकियों और कार्यप्रणाली पर चर्चा करते हैं।

बाढ़ का मॉडल

एक सटीक बाढ़ भविष्यवाणी प्रणाली के विकास में एक महत्वपूर्ण कदम इनपुट या नदी के जल स्तर की भविष्यवाणियों को इनपुट के रूप में और बाढ़ के पानी के व्यवहार का अनुकरण करके बाढ़ मॉडल विकसित करना है।


विभिन्न नदी राज्यों का अनुकरण करते हुए एक हाइड्रोलिक मॉडल का त्रि-आयामी दृश्य

यह हमें नदी के वर्तमान या भविष्य की स्थिति को अत्यंत सटीक स्थानिक जोखिम मानचित्रों में बदलने की अनुमति देता है, जो हमें बताता है कि कौन से क्षेत्रों में बाढ़ आएगी और जो सुरक्षित रहेगी। बाढ़ के मॉडल चार मुख्य घटकों पर निर्भर करते हैं, जिनमें से प्रत्येक की अपनी जटिलताएं और नवाचार हैं:

वास्तविक समय जल स्तर माप

इन मॉडलों को अच्छे उपयोग के लिए चलाने के लिए, हमें यह जानने की जरूरत है कि वास्तविक समय में पृथ्वी पर क्या हो रहा है - इसलिए हम इस तथ्य पर भरोसा करते हैं कि प्रासंगिक सरकारी एजेंसियों के हमारे साथी हमें समय पर सटीक जानकारी प्रदान करने में सक्षम होंगे। हमारा पहला सरकारी साझेदार भारत का केंद्रीय जल आयोग (सीडब्ल्यूसी) था, जो पूरे भारत में एक हजार से अधिक नदी तल में जल स्तर को मापता था, इन आंकड़ों को एकत्र करता था और नदियों की ऊपरी पहुंच में माप के आधार पर पूर्वानुमान जारी करता था। सीडब्ल्यूसी इन वास्तविक समय माप और पूर्वानुमान प्रदान करता है, और फिर वे हमारे मॉडल के लिए इनपुट के रूप में उपयोग किया जाता है।


सीडब्ल्यूसी कर्मचारी लखनऊ के पास जल स्तर और प्रवाह को मापते हैं

एक ऊंचाई का नक्शा बनाएँ

एक बार जब आप जानते हैं कि नदी में कितना पानी है, तो क्षेत्र के अच्छे नक्शे के साथ मॉडल प्रदान करना महत्वपूर्ण है। उच्च-रिज़ॉल्यूशन डिजिटल उच्च-ऊंचाई (DEM) मॉडल पृथ्वी विज्ञान में अनुप्रयोगों की एक विस्तृत श्रृंखला के लिए अविश्वसनीय रूप से उपयोगी हैं, लेकिन अभी तक अधिकांश ग्रह के लिए उपलब्ध नहीं हैं, खासकर बाढ़ भविष्यवाणी के लिए। यहां तक ​​कि मीटर के आकार की विशेषताएं बाढ़ के परिणामों में महत्वपूर्ण अंतर ला सकती हैं ( बांध एक अत्यंत महत्वपूर्ण उदाहरण हो सकते हैं), लेकिन सार्वजनिक रूप से उपलब्ध डीईएम का संकल्प दसियों मीटर है। इस समस्या को दूर करने के लिए, हमने एक नई पद्धति विकसित की है जो पूरी तरह से सामान्य ऑप्टिकल तस्वीरों के आधार पर उच्च-रिज़ॉल्यूशन डीईएम का उत्पादन करती है।

हम Google मानचित्र में उपयोग किए जाने वाले उपग्रह चित्रों के एक बड़े और विविध संग्रह के साथ शुरू करते हैं। बड़े पैकेट के साथ छवियों की तुलना और संरेखित करना, हम एक साथ सैटेलाइट कैमरा (अभिविन्यास त्रुटियों, आदि) और ऊंचाई डेटा में दोनों अशुद्धियों को ठीक करते हैं। तब हम प्रत्येक छवि के लिए एक गहरा नक्शा बनाने के लिए समायोजित कैमरा मॉडल का उपयोग करते हैं। एक ऊंचाई का नक्शा प्राप्त करने के लिए, हम प्रत्येक अनुभाग के लिए गहराई से मानचित्रों का संयोजन करते हैं। अंत में, हम उन वस्तुओं जैसे कि पेड़ों और पुलों को हटा देते हैं ताकि वे सिमुलेशन में पानी के प्रवाह को अवरुद्ध न करें। यह मैन्युअल रूप से किया जा सकता है, या यह समझने के लिए कि आपको किन स्थानों पर ऊंचाइयों पर पहुंचने की आवश्यकता है, यह समझने के लिए दृढ़ तंत्रिका नेटवर्क को प्रशिक्षित करके। परिणाम लगभग 1 मीटर के संकल्प के साथ एक डीईएम है, जिसका उपयोग हाइड्रोलिक मॉडल चलाने के लिए किया जा सकता है।


जमना नदी के 30 मीटर चौड़े खंड का डीईएम और उसी खंड का डीईएम, जो Google द्वारा प्राप्त 1 मीटर संकल्प के साथ है

हाइड्रोलिक मॉडलिंग

इन सभी इनपुट डेटा को प्राप्त करने के बाद - नदी माप, पूर्वानुमान और एक ऊंचाई का नक्शा - हम खुद मॉडलिंग प्रक्रिया शुरू कर सकते हैं, जिसे दो अलग-अलग घटकों में विभाजित किया जा सकता है। पहला और सबसे महत्वपूर्ण एक भौतिक हाइड्रोलिक मॉडल है जो भौतिकी के नियमों की अनुमानित गणनाओं के आधार पर समय के साथ पानी के स्थान और गति को अद्यतन करता है। विशेष रूप से, हमने द्वि-आयामी उथले पानी (संत-वेन्ट समीकरण) के समीकरणों के लिए एक निर्णायक कार्यक्रम लागू किया है। ये मॉडल उच्च-गुणवत्ता वाले इनपुट और उच्च-रिज़ॉल्यूशन के काम के लिए पर्याप्त सटीक हैं, लेकिन उनकी कम्प्यूटेशनल जटिलता समस्याओं का कारण बनती है क्योंकि यह रिज़ॉल्यूशन क्यूब के आनुपातिक है। संकल्प को दोगुना करने पर, गणना समय लगभग 8 गुना बढ़ जाता है। और जब से हम आश्वस्त हैं कि सटीक पूर्वानुमान के लिए बहुत अधिक संकल्प की आवश्यकता है, इस मॉडल की कम्प्यूटेशनल लागत Google के लिए भी अभेद्य हो सकती है!

इस समस्या को हल करने के लिए, हम अपने हाइड्रोलिक मॉडल के एक अनोखे कार्यान्वयन के साथ आए, जिसे टेन्सर प्रोसेसिंग यूनिट्स ( टीपीयू ) के लिए अनुकूलित किया गया। हालांकि टीपीयू तंत्रिका नेटवर्क के लिए अनुकूलित हैं और अंतर समीकरणों को हल करने के लिए नहीं हैं, लेकिन उनके समानांतर होने वाली प्रकृति सीपीयू कोर की तुलना में टीपीयू कोर पर कम्प्यूटेशनल गति में 85 गुना वृद्धि देती है। मशीन लर्निंग के उपयोग के माध्यम से अतिरिक्त अनुकूलन प्राप्त किया जाता है, जो कुछ भौतिक एल्गोरिदम को बदलने में मदद करता है, और दो आयामी हाइड्रोलिक मॉडल के साथ डेटा सैंपलिंग का विस्तार, जो हमें और भी बड़े ग्रिड का समर्थन करने की अनुमति देता है।


टीपीयू पर गोलपार बाढ़ उत्सर्जन

जैसा कि पहले ही उल्लेख किया गया है, हाइड्रोलिक मॉडल हमारे बाढ़ पूर्वानुमान के घटकों में से एक है। हम लगातार उन क्षेत्रों में आ गए, जहां हमारे हाइड्रोलिक मॉडल पर्याप्त सटीक नहीं थे - चाहे डेम में अशुद्धियों के कारण, बांधों में सफलता, या पानी के अप्रत्याशित स्रोत। हमारा लक्ष्य इन त्रुटियों को कम करने के लिए प्रभावी तरीके खोजना है। ऐसा करने के लिए, हमने ऐतिहासिक मापों के आधार पर एक पूर्वानुमानित बाढ़ मॉडल जोड़ा है। 2014 के बाद से, यूरोपीय अंतरिक्ष एजेंसी ने सी-बैंड में रडार एपर्चर संश्लेषण (आरएएस) के साथ राडार का उपयोग करते हुए च्सोवॉय -1 उपग्रहों के एक सेट का स्वामित्व किया है। आरएएस की छवियां बाढ़ का पता लगाने के लिए महान हैं और क्लाउड कवर और मौसम की स्थिति की परवाह किए बिना प्राप्त की जा सकती हैं। इस मूल्यवान डेटासेट के आधार पर, हम ऐतिहासिक बाढ़ के साथ जल स्तर के ऐतिहासिक माप की तुलना करते हैं, जो हमें अपने हाइड्रोलिक मॉडल के अनुरूप सुधार लागू करने की अनुमति देता है। दोनों घटकों के आउटपुट के आधार पर, हम यह मूल्यांकन कर सकते हैं कि सतह की स्थिति में वास्तविक परिवर्तनों के कारण कौन से अंतर हैं और जो मॉडल में अशुद्धियों के कारण होते हैं।


Google इंटरफेस पर बाढ़ अलर्ट

भविष्य की योजना

हमारे पास अभी भी अपने बाढ़ मॉडल के लाभों को पूरी तरह से समझने के लिए बहुत कुछ है। सबसे पहले, हम भारत और अन्य देशों में अपने ऑपरेटिंग सिस्टम के कवरेज का विस्तार करने के लिए काम कर रहे हैं। हम वास्तविक समय में और अधिक जानकारी प्रदान करने में सक्षम होना चाहते हैं - बाढ़ की गहराई, अस्थायी जानकारी, और इसी तरह की भविष्यवाणी करने के लिए। इसके अतिरिक्त, हम इस बात की खोज कर रहे हैं कि इस जानकारी को अत्यंत स्पष्टता के साथ लोगों तक कैसे पहुँचाया जाए, जिससे उन्हें निवारक उपाय करने के लिए प्रोत्साहित किया जा सके।

यद्यपि बाढ़ के मॉडल मौजूदा बाढ़ पूर्वानुमान के स्थानिक संकल्प (और इसलिए सटीकता और विश्वसनीयता) में सुधार के लिए अच्छे उपकरण हैं, हमने जिन विभिन्न सरकारी एजेंसियों और अंतर्राष्ट्रीय संगठनों के साथ काम किया है वे उन क्षेत्रों के बारे में चिंतित हैं जिनके पास प्रभावी बाढ़ पूर्वानुमान तक पहुंच नहीं है, या भविष्यवाणियों में से विकलांगों को प्रभावी ढंग से जवाब देने के लिए पर्याप्त समय नहीं दिया जाता है। बाढ़ मॉडल पर अपने काम के समानांतर, हम बेहतर हाइड्रोलॉजिकल मॉडल पर बुनियादी शोध कर रहे हैं, जो हमें उम्मीद है, सरकारों को न केवल स्थानिक रूप से अधिक सटीक पूर्वानुमान का उत्पादन करने की अनुमति देगा, बल्कि तैयार करने के लिए अधिक समय भी देगा।

हाइड्रोलॉजिकल मॉडल ऐसे इनपुट डेटा को वर्षा, सौर विकिरण, मिट्टी की नमी, आदि के रूप में स्वीकार करते हैं, और भविष्य में कई दिनों तक पानी के प्रवाह (और इसी तरह) का पूर्वानुमान देते हैं। इन मॉडलों को पारंपरिक रूप से वैचारिक मॉडल के संयोजन के माध्यम से कार्यान्वित किया जाता है जो विभिन्न प्रमुख प्रक्रियाओं जैसे कि बर्फ पिघलाना, सतह अपवाह, वाष्पीकरण और बहुत कुछ है।


मुख्य हाइड्रोलॉजिकल मॉडल प्रक्रियाएं

इसके अलावा, ऐसे मॉडल को आमतौर पर सावधान मैनुअल समायोजन की आवश्यकता होती है, और डेटा की कमी वाले क्षेत्रों में, वे खराब काम करते हैं। हम इस सवाल का अध्ययन कर रहे हैं कि इन दोनों समस्याओं को हल करने के लिए मल्टीटास्किंग प्रशिक्षण कैसे उपयुक्त हो सकता है, और हाइड्रोलॉजिकल मॉडल दोनों को और अधिक स्केलेबल और अधिक सटीक बनाने के लिए। इंस्टीट्यूट ऑफ मशीन लर्निंग में इंस्टीट्यूट ऑफ मशीन लर्निंग के एक समूह के साथ एक संयुक्त अध्ययन में, सेप होकेरेटर ने मशीन लर्निंग के आधार पर हाइड्रोलॉजिकल मॉडल विकसित करने का नेतृत्व किया, क्रैजर्ट और सहकर्मियों ने दिखाया कि एक दीर्घकालिक अल्पकालिक स्मृति वाले तंत्रिका नेटवर्क किसी भी शास्त्रीय हाइड्रोलॉजिकल मॉडल से बेहतर साबित हुए हैं।


विभिन्न मॉडलों में विभिन्न अमेरिकी घाटियों के नैश-सिटक्लिफ मॉडल की दक्षता गुणांक का वितरण। EA-LSTM तेजी से आमतौर पर इस्तेमाल किए जाने वाले मॉडल की एक विस्तृत श्रृंखला से आगे है।

हालांकि यह काम अभी भी प्रारंभिक शोध के चरण में है, हम मानते हैं कि यह एक महत्वपूर्ण पहला कदम है, और हमें उम्मीद है कि यह पहले से ही अन्य शोधकर्ताओं और हाइड्रोलॉजिस्ट के लिए उपयोगी हो सकता है। हम इसे बाढ़ के प्रभावों को कम करने के लिए शोधकर्ताओं, सरकारों और गैर-सरकारी संस्थानों के एक बड़े पारिस्थितिकी तंत्र में काम करने के लिए एक अविश्वसनीय सम्मान मानते हैं। हम उत्साहपूर्वक इस तरह के अध्ययनों के संभावित परिणामों का आकलन करते हैं, और यह देखने की आशा करते हैं कि वे हमें कहां ले जाते हैं।