জলবায়ু পরিবর্তন আবহাওয়াকে ক্রমশ অনির্দেশ্য করে তুলছে, আর বিরল দুর্যোগগুলো এতটাই বিরল যে, ঝুঁকি মূল্যায়নের জন্য সঞ্চিত পরিসংখ্যান প্রায়ই যথেষ্ট নয়। ম্যাসাচুসেটস ইনস্টিটিউট অব টেকনোলজির (MIT) প্রকৌশলীরা একটি পদ্ধতির প্রস্তাব করেছেন যা পরিচিত যুক্তিকে উল্টে দেয়: তাদের অ্যালগরিদম অতীতের দুর্যোগ থেকে শেখে না, বরং এমন ঘটনার পরিস্থিতি তৈরি করে যা অঞ্চলের ইতিহাসে কখনোই ঘটেনি। উন্নয়নকারীরা — স্নাতক ছাত্র কাই চ্যাং এবং অধ্যাপক থেমিস সাপসিস — একটি পদ্ধতি উপস্থাপন করেছেন যা পরিসংখ্যানগত সম্ভাবনার ভিত্তিতে সম্ভাব্য দুর্যোগের মানচিত্র তৈরি করে, ইতিমধ্যে ঘটে যাওয়া ঘটনার পুনরাবৃত্তির ভিত্তিতে নয়।
কেন ঐতিহ্যবাহী ঝুঁকি মডেল নতুন হুমকির প্রতি অন্ধ
বিমা কোম্পানি, শহর পরিকল্পনাবিদ এবং বিদ্যুৎ গ্রিড পরিচালকরা সাধারণত সিমুলেশনের মাধ্যমে ঝুঁকি মূল্যায়ন করেন, যা ইতিমধ্যে ঘটে যাওয়া চরম ঘটনার উপর নির্ভর করে। এই ধরনের মডেলগুলিতে অতীতের হারিকেন, বন্যা বা খরার তথ্য অন্তর্ভুক্ত করা হয়, তারপর এই প্যাটার্নগুলো ভবিষ্যতে প্রজেক্ট করা হয়। যুক্তি সহজ: যদি একটি দুর্যোগ নির্দিষ্ট বিরতিতে পুনরাবৃত্তি হয়, তবে এটি সাদৃশ্যের ভিত্তিতে ভবিষ্যদ্বাণী করা যেতে পারে।
কিন্তু এই পদ্ধতির একটি মৌলিক ত্রুটি রয়েছে, যা MIT-এর গবেষকরা ক্যাটরিনা হারিকেনের উদাহরণ দিয়ে ব্যাখ্যা করেছেন। এই মাত্রার ঘটনা প্রায় ৩০-৪০ বছরে একবার ঘটে, আর বীমাকারী এবং প্রকৌশলীদের অনেক বেশি বিরল ঘটনার জন্য মূল্যায়ন প্রয়োজন — যেগুলো শতাব্দীতে একবার বা তার বেশি সময়ে ঘটে। এই ধরনের দুর্যোগের তথ্য প্রায় নেই, তাই শাস্ত্রীয় অ্যালগরিদমগুলো হয় ঝুঁকিকে অবমূল্যায়ন করে, অথবা কেবল এমন কিছু ভবিষ্যদ্বাণী করে যা ইতিমধ্যেই ঘটে গেছে। নতুন উন্নয়ন এই ফাঁকটি বন্ধ করার চেষ্টা করে, এই প্রশ্নের উত্তর দিয়ে যে এমন একটি ঘটনা কেমন দেখায় যার সম্ভাবনা বছরে এক শতাংশ, এমনকি যদি এর মতো কিছু কখনো নথিভুক্ত না হয়।
কীভাবে অ্যালগরিদম "অসম্ভব" শেখে
ঐতিহাসিক তথ্যে দুর্যোগের চিহ্ন খোঁজার পরিবর্তে, Extreme Event Aware (η-learning) পদ্ধতি দুই ধরনের ইনপুট ডেটা নিয়ে কাজ করে। প্রথমটি — পয়েন্ট পরিসংখ্যান: এটি দেখায় যে ডেটাসেটে একটি নির্দিষ্ট তীব্রতার মাত্রা কত ঘন ঘন দেখা যায়, যেমন একদিনে মানচিত্রে সর্বোচ্চ বৃষ্টিপাতের পরিমাণ। দ্বিতীয় ধরনটি — স্থানিক মানচিত্র, যা বর্ণনা করে যে কীভাবে প্রভাবের শক্তি অঞ্চলের ভূখণ্ডে বিতরণ করা হয়।
মূল ধারণাটি হল এই দুটি উপস্থাপনার মধ্যে পরিসংখ্যানগত সম্পর্ক শেখা। অ্যালগরিদম দেখে যে কীভাবে নিম্ন-রেজোলিউশনের স্থানিক প্যাটার্নগুলো উচ্চ-রেজোলিউশনের বিস্তারিত মানচিত্রের সাথে সম্পর্কিত, এবং পুরো সময়কালের পয়েন্ট পরিসংখ্যানকে একটি সীমাবদ্ধকারী হিসেবে ব্যবহার করে। এর ফলে, এটি এমন ঘটনার জন্য বাস্তবসম্মত স্থানিক পরিস্থিতি তৈরি করতে সক্ষম যা প্রশিক্ষণ সেটের যেকোনো উদাহরণের সীমার বাইরে চলে যায়। মূলত, নেটওয়ার্ক "কী ঘটবে" তা ভবিষ্যদ্বাণী করে না, বরং "কী ঘটতে পারত" তা নির্মাণ করে — তবে গাণিতিকভাবে যুক্তিসঙ্গত সম্ভাবনার সাথে।
আমেরিকান বৃষ্টিপাতের উপর পরীক্ষা
পদ্ধতিটি যাচাই করার জন্য মার্কিন যুক্তরাষ্ট্রের মূল ভূখণ্ডে বৃষ্টিপাতের তথ্য ব্যবহার করার সিদ্ধান্ত নেওয়া হয়। পরীক্ষার জন্য ২৫ বছরের ঘণ্টাভিত্তিক পর্যবেক্ষণ নেওয়া হয়, সেগুলোকে দৈনিক মানচিত্রে একত্রিত করা হয় এবং পয়েন্ট পরিসংখ্যান গণনা করা হয় — এই পুরো সময়কালে মানচিত্রে সর্বোচ্চ বৃষ্টিপাতের পরিমাণ কত ঘন ঘন নির্ধারিত মাত্রায় পৌঁছেছে। স্থানিক মডেলকে অনেক বেশি সীমিত উপাদানে প্রশিক্ষণ দেওয়া হয়েছিল: মাত্র ছয় মাসের নিম্ন এবং উচ্চ রেজোলিউশনের জোড়া মানচিত্রে। তাছাড়া, ২৫ বছরের সময়কালের প্রথম ছয় মাস বেছে নেওয়া হয়েছিল — যে অংশে প্রবল বৃষ্টিপাত প্রায় ছিল না বা একেবারেই ছিল না।
তারপর অ্যালগরিদম যুক্ত করল যে কীভাবে নিম্ন-রেজোলিউশনের প্যাটার্নগুলো উচ্চ-রেজোলিউশনের বিবরণে রূপান্তরিত হয়, এবং প্রজন্মের পরিধি সীমাবদ্ধ করতে সেটিতে চব্বিশ বছরের সম্পূর্ণ পয়েন্ট পরিসংখ্যান প্রয়োগ করল। ফলাফলটি তাৎপর্যপূর্ণ ছিল: নিউ ইয়র্কে সর্বোচ্চ নথিভুক্ত বৃষ্টিপাত ২০০ মিলিমিটারে পৌঁছায়, আর পদ্ধতিটি ৩০০ মিলিমিটার সহ একটি ঝড়ের বিশ্বাসযোগ্য মানচিত্র তৈরি করতে সক্ষম — এমন একটি মাত্রা যার পর্যবেক্ষণে কোনো নজির নেই। ব্যবহারকারী অ্যালগরিদমকে একটি শহর নির্দেশ করতে পারেন এবং "শতাব্দীতে একবারের ঝড়" অনুরোধ করতে পারেন, এবং আউটপুটে বিভিন্ন আকার, কভারেজ এলাকা এবং বৃষ্টিপাতের তীব্রতা সহ একাধিক মানচিত্র পেতে পারেন। তাছাড়া, এই ধরনের পরিস্থিতি তৈরি করতে বড় কম্পিউটেশনাল সম্পদের প্রয়োজন হয় না: নেটওয়ার্ক একক রানে বিভিন্ন বিকল্পের পুরো অ্যারে তৈরি করতে পারে।
উৎপন্ন দুর্যোগ কার কাজে লাগবে
এখনও ঘটেনি এমন একটি দুর্যোগ আগে থেকেই দেখার ক্ষমতা বেশ কয়েকটি অবকাঠামোগত সমাধানের জন্য ব্যবহারিক সম্ভাবনা উন্মুক্ত করে। শহর প্রশাসন পরীক্ষা করতে পারে যে একটি বাঁধ পূর্বে নথিভুক্ত সবকিছুকে ছাড়িয়ে যাওয়া ঝড়ের জলোচ্ছ্বাস সহ্য করবে কিনা। শক্তি কোম্পানিগুলো দীর্ঘ এবং তীব্র তাপের পরিস্থিতি পাবে, যাতে মূল্যায়ন করা যায় যে বিদ্যুৎ গ্রিড সর্বোচ্চ লোড সামলাতে পারবে কিনা। আর অগ্নিনির্বাপক পরিষেবাগুলো এমন একটি দাবানল নেভানোর মহড়া দিতে сможет, যা তাদের অঞ্চলে আগে ঘটে যাওয়া যেকোনো দাবানলের চেয়ে আয়তনে বড়।
সীমাবদ্ধতা এবং ভবিষ্যতের দিকে দৃষ্টি
আপাতত, পদ্ধতিটি শুধুমাত্র বৃষ্টিপাতের উপর প্রদর্শিত হয়েছে, এবং অন্যান্য ধরণের দুর্যোগে প্রয়োগের জন্য সংশ্লিষ্ট তথ্য প্রস্তুত করতে হবে: নির্দিষ্ট বিপদের জন্য পয়েন্ট পরিসংখ্যান এবং স্থানিক মানচিত্র উভয়ই। ভবিষ্যতে, লেখকরা প্রবল বন্যা এবং দাবানলের দিকে সম্প্রসারণ দেখতে পান, যার ঐতিহাসিক আর্কাইভে কোনো নজির নেই।
থেমিস সাপসিস একটি বিস্তৃত প্রেক্ষাপটের উপর জোর দেন: আধুনিক বৈশ্বিক অবকাঠামো দক্ষতার জন্য অপ্টিমাইজ করা এবং নিরাপত্তার মার্জিন খুব কম রাখে। একটি চরম ঘটনা কয়েক সপ্তাহের মধ্যে সরবরাহ শৃঙ্খল, শক্তি বাজার এবং খাদ্য ব্যবস্থায় ছড়িয়ে পড়তে সক্ষম। তাই এমন একটি ঘটনার সম্ভাবনা নির্ধারণ করার ক্ষমতা যা এখনও ঘটেনি — এটি কেবল বৈজ্ঞানিক কৌতূহলের বিষয় নয়, বরং জাতীয় এবং অর্থনৈতিক স্থিতিস্থাপকতার বিষয়। MIT-এর নতুন অ্যালগরিদম এমন একটি পদক্ষেপ নেয়: এটি অতীতের ভিত্তিতে ভবিষ্যতের ভবিষ্যদ্বাণী করে না, বরং পরিসংখ্যানগতভাবে সম্ভব এমন কিছুর জন্য প্রস্তুত হতে সাহায্য করে, এমনকি যদি তা কখনো ঘটে না থাকে।
