जलवायु परिवर्तन मौसम को और अधिक अप्रत्याशित बना रहा है, और दुर्लभ आपदाएँ इतनी दुर्लभ होती जा रही हैं कि जोखिम का आकलन करने के लिए अक्सर संचित आँकड़े पर्याप्त नहीं होते हैं। मैसाचुसेट्स इंस्टीट्यूट ऑफ टेक्नोलॉजी (MIT) के इंजीनियरों ने एक ऐसा दृष्टिकोण प्रस्तावित किया है जो सामान्य तर्क को उलट देता है: उनका एल्गोरिदम पिछली आपदाओं से नहीं सीखता, बल्कि उन घटनाओं के परिदृश्य उत्पन्न करता है जो क्षेत्र के इतिहास में कभी घटित ही नहीं हुईं। डेवलपर्स — स्नातक छात्र काई चांग और प्रोफेसर थेमिस सैप्सिस — ने एक ऐसी विधि प्रस्तुत की है जो पहले से घटित घटनाओं की पुनरावृत्ति के बजाय सांख्यिकीय संभावना के आधार पर संभावित आपदाओं के नक्शे तैयार करती है।
पारंपरिक जोखिम मॉडल नए खतरों के प्रति अंधे क्यों हैं
बीमा कंपनियाँ, शहरी योजनाकार और बिजली ग्रिड संचालक आमतौर पर उन सिमुलेशनों के माध्यम से जोखिमों का आकलन करते हैं जो पहले से घटित चरम घटनाओं पर आधारित होते हैं। ऐसे मॉडलों में पिछले तूफानों, बाढ़ों या सूखे का डेटा डाला जाता है, और फिर इन पैटर्नों को भविष्य में प्रक्षेपित किया जाता है। तर्क सरल है: यदि कोई आपदा एक निश्चित आवधिकता के साथ दोहराई जाती है, तो उसकी भविष्यवाणी सादृश्य द्वारा की जा सकती है।
लेकिन इस दृष्टिकोण में एक मौलिक दोष है, जिसे MIT के शोधकर्ता कैटरीना तूफान के उदाहरण से समझाते हैं। इस पैमाने की घटनाएँ लगभग हर 30–40 साल में एक बार होती हैं, जबकि बीमाकर्ताओं और इंजीनियरों को कहीं अधिक दुर्लभ घटनाओं — जो सदी में एक बार या उससे अधिक समय में होती हैं — के लिए आकलन की आवश्यकता होती है। ऐसी आपदाओं का डेटा लगभग नहीं होता है, और इसलिए शास्त्रीय एल्गोरिदम या तो जोखिम को कम आंकते हैं, या केवल उसी की भविष्यवाणी करते हैं जो पहले ही हो चुका है। नया विकास इस अंतर को पाटने का प्रयास करता है, इस प्रश्न का उत्तर देते हुए कि ऐसी घटना कैसी दिखती है जिसकी संभावना प्रति वर्ष एक प्रतिशत है, भले ही ऐसा कुछ कभी दर्ज न किया गया हो।
एल्गोरिदम "असंभव" से कैसे सीखता है
ऐतिहासिक डेटा में आपदाओं के निशान खोजने के बजाय, Extreme Event Aware (η-learning) विधि दो प्रकार के इनपुट डेटा के साथ काम करती है। पहला — बिंदु सांख्यिकी: यह दिखाता है कि डेटासेट में तीव्रता का एक निश्चित स्तर कितनी बार पाया जाता है, उदाहरण के लिए एक दिन में नक्शे पर अधिकतम वर्षा की मात्रा। दूसरा प्रकार — स्थानिक नक्शे, जो वर्णन करते हैं कि प्रभाव की तीव्रता क्षेत्र के भू-भाग पर कैसे वितरित होती है।
मुख्य विचार इन दोनों अभ्यावेदनों के बीच सांख्यिकीय संबंध सीखना है। एल्गोरिदम देखता है कि निम्न-रिज़ॉल्यूशन के स्थानिक पैटर्न उच्च-रिज़ॉल्यूशन के विस्तृत नक्शों से कैसे संबंधित होते हैं, और पूरी अवधि की बिंदु सांख्यिकी को एक सीमक के रूप में उपयोग करता है। इसके कारण, यह उन घटनाओं के लिए यथार्थवादी स्थानिक परिदृश्य बनाने में सक्षम है जो प्रशिक्षण नमूने के किसी भी उदाहरण से कहीं आगे जाती हैं। वास्तव में, नेटवर्क यह भविष्यवाणी नहीं करता कि "क्या होगा", बल्कि यह निर्माण करता है कि "क्या हो सकता था" — लेकिन गणितीय रूप से आधारित संभावना के साथ।
अमेरिकी वर्षा पर परीक्षण
इस विधि का परीक्षण अमेरिका के मुख्य भू-भाग में वर्षा के आँकड़ों पर करने का निर्णय लिया गया। प्रयोग के लिए 25 वर्षों के प्रति घंटे के अवलोकन लिए गए, उन्हें दैनिक नक्शों में संयोजित किया गया और बिंदु सांख्यिकी की गणना की गई — कि इस पूरी अवधि में नक्शे पर अधिकतम वर्षा की मात्रा कितनी बार निर्धारित स्तर तक पहुँची। स्थानिक मॉडल को कहीं अधिक सीमित सामग्री पर प्रशिक्षित किया गया: निम्न और उच्च रिज़ॉल्यूशन वाले युग्मित नक्शों के केवल छह महीनों पर। इसके अलावा, 25-वर्षीय अवधि के पहले छह महीनों को चुना गया — वह खंड जहाँ भारी बारिश लगभग नहीं हुई या बिल्कुल नहीं हुई।
फिर एल्गोरिदम ने जोड़ा कि निम्न-रिज़ॉल्यूशन के पैटर्न उच्च-रिज़ॉल्यूशन के विवरणों में कैसे परिवर्तित होते हैं, और उत्पादन के दायरे को सीमित करने के लिए उन पर पूरे 25 वर्षों की बिंदु सांख्यिकी लागू की। परिणाम उल्लेखनीय रहा: न्यूयॉर्क में अधिकतम दर्ज वर्षा 200 मिलीमीटर तक पहुँचती है, जबकि यह विधि 300 मिलीमीटर वाले तूफान के विश्वसनीय नक्शे उत्पन्न करने में सक्षम है — एक ऐसा स्तर जिसका अवलोकनों में कोई समानांतर नहीं है। उपयोगकर्ता एल्गोरिदम को एक शहर बता सकता है और "100 साल में एक बार आने वाला तूफान" का अनुरोध कर सकता है, और आउटपुट के रूप में विभिन्न आकारों, कवरेज क्षेत्र और वर्षा की तीव्रता वाले नक्शों की एक श्रृंखला प्राप्त कर सकता है। इसके अलावा, ऐसे परिदृश्य बनाने के लिए बड़े कम्प्यूटेशनल संसाधनों की आवश्यकता नहीं होती: नेटवर्क एक ही रन में विकल्पों की पूरी श्रृंखला तैयार कर सकता है।
उत्पन्न आपदाएँ किसके काम आएँगी
किसी ऐसी आपदा को पहले से देखने की क्षमता जो अभी तक घटित नहीं हुई है, कई बुनियादी ढाँचा समाधानों के लिए व्यावहारिक संभावनाएँ खोलती है। शहर प्रशासन यह जाँच सकता है कि क्या बाँध पहले दर्ज किए गए सभी स्तरों से अधिक तूफानी लहर को झेल सकता है। ऊर्जा कंपनियों को लंबी और अधिक तीव्र गर्मी के परिदृश्य मिलेंगे, ताकि वे आकलन कर सकें कि क्या बिजली ग्रिड चरम भार का सामना कर सकता है। और अग्निशमन सेवाएँ उस जंगल की आग को बुझाने का अभ्यास कर सकेंगी जो उनके क्षेत्र में अब तक हुई किसी भी आग से क्षेत्रफल में बड़ी है।
सीमाएँ और भविष्य पर दृष्टि
फिलहाल यह विधि केवल वर्षा पर प्रदर्शित की गई है, और अन्य प्रकार की आपदाओं पर लागू करने के लिए संबंधित डेटा तैयार करना होगा: विशिष्ट खतरे के लिए बिंदु सांख्यिकी और स्थानिक नक्शे दोनों। भविष्य में, लेखक इसका विस्तार भारी बाढ़ और जंगल की आग तक देखते हैं, जिनका ऐतिहासिक अभिलेखागार में कोई समानांतर नहीं है।
थेमिस सैप्सिस एक व्यापक संदर्भ पर जोर देते हैं: आधुनिक वैश्विक बुनियादी ढाँचा दक्षता के लिए अनुकूलित है और सुरक्षा के मार्जिन के रूप में बहुत कम छोड़ता है। एक चरम घटना कुछ ही हफ्तों में आपूर्ति श्रृंखलाओं, ऊर्जा बाजारों और खाद्य प्रणालियों में फैल सकती है। इसलिए, किसी ऐसी घटना को संभावना निर्धारित करने की क्षमता जो अभी तक घटित नहीं हुई है, केवल वैज्ञानिक जिज्ञासा का विषय नहीं है, बल्कि राष्ट्रीय और आर्थिक स्थिरता का भी प्रश्न है। MIT का नया एल्गोरिदम ऐसा कदम उठाता है: यह अतीत के आधार पर भविष्य की भविष्यवाणी नहीं करता, बल्कि उसके लिए तैयार होने में मदद करता है जो सांख्यिकीय रूप से संभव है, भले ही वह कभी घटित न हुआ हो।
