2002-2022 की परीक्षण अवधि के लिए, इसने 61.9 प्रतिशत की उत्कृष्ट पूर्वानुमान सफलता दर दिखाई है (फाइल फोटो)
डिजाइन और परीक्षण किए गए एआई/एमएल मॉडल को मानसून पूर्वानुमान के लिए देश के वर्तमान भौतिक मॉडल की तुलना में बेहतर प्रदर्शन करते दिखाया गया है।
मॉनसून वर्षा की भविष्यवाणी के लिए एक मशीन लर्निंग मॉडल IIT दिल्ली में DST सेंटर ऑफ एक्सीलेंस इन क्लाइमेट मॉडलिंग के शोधकर्ताओं द्वारा IIIT दिल्ली, संयुक्त राज्य अमेरिका में MIT और जापान में JAMSTEC के सहयोग से विकसित किया गया है।
ऑल इंडिया समर मॉनसून रेनफॉल (AISMR) मॉडल को एक शोध दल द्वारा विकसित किया गया, जिसका नेतृत्व प्रो. IIT दिल्ली के सरोज के. मिश्रा ने अगले मानसून के मौसम में 790mm के AISMR की भविष्यवाणी की है, जो 2023 में देश के लिए एक नियमित मानसून का संकेत देता है।
डिजाइन और परीक्षण किए गए एआई/एमएल मॉडल को मानसून पूर्वानुमान के लिए देश के वर्तमान भौतिक मॉडल की तुलना में बेहतर प्रदर्शन करते दिखाया गया है। 2002-2022 की परीक्षण अवधि के लिए, इसने 61.9 प्रतिशत की उत्कृष्ट पूर्वानुमान सफलता दर दिखाई है। इसे निर्धारित करने के लिए प्रत्येक वर्ष मापे गए वास्तविक मूल्यों के +/- 5% के भीतर AISMR का पूर्वानुमान लगाने की मॉडल की क्षमता का उपयोग किया जाता है।
पारंपरिक भौतिक मॉडल के लिए आवश्यक अत्यधिक संसाधन-गहन प्रक्रिया की तुलना में, व्यक्तिगत कंप्यूटर पर इन मॉडलों को चलाने वाले व्यक्तियों का एक छोटा समूह थोड़े समय में अधिक सटीक मानसून वर्षा पूर्वानुमान प्रदान कर सकता है।
प्रो. सरोज ने कहा, “यह अध्ययन पूरे देश के लिए अत्यधिक महत्व रखता है, क्योंकि समय से पहले एक सटीक मानसून पूर्वानुमान कृषि, ऊर्जा, जल संसाधन, आपदा प्रबंधन और स्वास्थ्य सहित विभिन्न सामाजिक आर्थिक क्षेत्रों में महत्वपूर्ण निर्णय लेने के लिए महत्वपूर्ण है।” के मिश्रा
डेटा-संचालित पद्धतियों को क्षेत्रीय अनुप्रयोगों के लिए अधिक लाभकारी बनाने के लिए, प्रो. मिश्रा ने कहा कि राज्य-दर-राज्य मानसून वर्षा पूर्वानुमान को सक्षम करने के लिए उनका विस्तार किया जाएगा।
भविष्यवाणी 1901-2001 की अवधि के लिए ऐतिहासिक AISMR डेटा, Niño3.4 इंडेक्स डेटा और श्रेणीबद्ध हिंद महासागर डिपोल (IOD) डेटा के साथ प्रशिक्षित मॉडल का उपयोग करके की गई है।
Nio3.4 इंडेक्स और IOD पूर्वानुमान की उपलब्धता के आधार पर, AI/ML मॉडल का उपयोग करने वाली भविष्यवाणी को महीनों पहले तैयार किया जा सकता है और वे कैसे विकसित हो रहे हैं, इसके आधार पर उचित रूप से अपडेट किया जा सकता है। नतीजतन, डेटा-संचालित मॉडल कम कम्प्यूटेशनल रूप से महंगे हैं, इनपुट के प्रति उत्तरदायी हैं, और मानसून कारकों के बीच गैर-रैखिक संबंधों को बेहतर ढंग से प्रतिबिंबित करने में सक्षम हैं।
.