জলবায়ু পরিবর্তনের ফলে সমুদ্রপৃষ্ঠের উচ্চতা বৃদ্ধি এবং ঝড়ের তীব্রতা বাড়ার কারণে বিশ্বব্যাপী উপকূলরেখাগুলো অভূতপূর্ব ক্ষয়ঝুঁকির সম্মুখীন হচ্ছে। তবে, উপকূলরেখার পরিবর্তন, বিশেষ করে দীর্ঘমেয়াদী প্রবণতার সঠিক পূর্বাভাস দেওয়া বেশ কঠিন। সম্প্রতি, শোরশপ২.০ (ShoreShop2.0) নামক আন্তর্জাতিক সহযোগিতামূলক গবেষণায় ব্লাইন্ড টেস্টিং-এর মাধ্যমে ৩৪টি উপকূলরেখা পূর্বাভাস মডেলের কার্যকারিতা মূল্যায়ন করা হয়েছে, যা উপকূলরেখা মডেলিংয়ের বর্তমান অত্যাধুনিক অবস্থা তুলে ধরেছে।

উপকূলরেখা হলো স্থলভাগ ও সমুদ্রের মিলনস্থল, যা ঢেউ, জোয়ার-ভাটা, ঝড় এবং সমুদ্রপৃষ্ঠের উচ্চতা বৃদ্ধির কারণে প্রতিনিয়ত পরিবর্তিত হয়। বিশ্বজুড়ে প্রায় ২৪% বালুকাময় উপকূলরেখা প্রতি বছর ০.৫ মিটারেরও বেশি হারে পশ্চাদপসরণ করছে এবং মার্কিন যুক্তরাষ্ট্রের উপসাগরীয় উপকূলের মতো কিছু এলাকায় বার্ষিক ক্ষয়ের হার ২০ মিটারেরও বেশি।

উপকূলরেখার পরিবর্তন সম্পর্কে পূর্বাভাস দেওয়া স্বভাবতই কঠিন ও জটিল, এবং এর জন্য তরঙ্গ শক্তি, পলি পরিবহন ও সমুদ্রপৃষ্ঠের উচ্চতা বৃদ্ধিসহ একাধিক বিষয়ের পারস্পরিক প্রভাব বিবেচনা করতে হয়। দীর্ঘ সময়ের জন্য নির্ভুল পূর্বাভাস দেওয়া আরও বেশি কঠিন।

আধুনিক উপকূলরেখা পূর্বাভাস মডেলগুলোকে তিনটি শ্রেণীতে ভাগ করা যায়: একটি হলো ভৌত সিমুলেশন-ভিত্তিক, যেমন ফ্লুইড মেকানিক্স এবং পলি পরিবহন সমীকরণের উপর ভিত্তি করে তৈরি Delft3D ও MIKE21; একটি হলো হাইব্রিড মডেল যা ভৌত নীতিমালার সাথে ডেটা-নির্ভর পদ্ধতির সমন্বয় ঘটায়, যেমন CoSMoS-COAST ও LX-Shore; এবং অন্যটি হলো ডেটা-নির্ভর মডেল যা সম্পূর্ণরূপে পরিসংখ্যানগত বা মেশিন লার্নিং কৌশলের উপর নির্ভর করে, যেমন LSTM নেটওয়ার্ক এবং Transformer আর্কিটেকচার।

বিভিন্ন ধরনের মডেল থাকা সত্ত্বেও, একটি অভিন্ন মূল্যায়ন মানদণ্ডের অভাব কর্মক্ষমতার তুলনাকে কঠিন করে তুলেছে। কোন মডেলটি সবচেয়ে নির্ভুল পূর্বাভাস দেয়? শোরশপ২.০ ব্লাইন্ড টেস্ট প্রতিযোগিতাটি বিভিন্ন শাখার মধ্যে তুলনার জন্য একটি চমৎকার সুযোগ প্রদান করে।

শোরশপ২.০ আন্তর্জাতিক ব্লাইন্ড টেস্ট প্রতিযোগিতা হলো বৈজ্ঞানিক সহযোগিতার একটি অত্যন্ত কঠোর রূপ। অংশগ্রহণকারী দলগুলোকে শুধুমাত্র পরীক্ষার স্থান সম্পর্কে জানানো হয়, যা কোনো উপসাগর বা সৈকতের একটি সাংকেতিক নাম। মডেল ক্যালিব্রেশনে পূর্ব জ্ঞানের প্রভাব রোধ করার জন্য এর অবস্থান এবং আসল নামের মতো গুরুত্বপূর্ণ তথ্য গোপন রাখা হয়। এছাড়াও, ডেটা বিভিন্ন অংশে গোপন রাখা হয়, যেখানে ২০১৯-২০২৩ (স্বল্পমেয়াদী) এবং ১৯৫১-১৯৯৮ (মধ্যমেয়াদী) সালের ডেটা ইচ্ছাকৃতভাবে প্রকাশ করা হয় না। এরপর মডেলগুলো স্বল্প ও মধ্যমমেয়াদী উপকূলরেখার পরিবর্তনের পূর্বাভাস দেয় এবং পরিশেষে সেই গোপন ডেটা ব্যবহার করে তাদের নির্ভুলতা যাচাই করা হয়। এই নকশাটি সম্পূর্ণ অজানা পরিস্থিতিতে উপকূলীয় মডেলগুলোর মধ্যে আন্তঃশাস্ত্রীয় তুলনার সুযোগ করে দেয়।

১৫টি দেশের চৌত্রিশটি গবেষণা দল মডেল জমা দিয়েছে, যার মধ্যে ১২টি ডেটা-নির্ভর মডেল এবং ২২টি হাইব্রিড মডেল অন্তর্ভুক্ত। এই দলগুলো মার্কিন যুক্তরাষ্ট্র, অস্ট্রেলিয়া, জাপান, ফ্রান্স এবং অন্যান্য দেশের প্রতিষ্ঠান থেকে এসেছে। তবে, জমা দেওয়া মডেলগুলোতে GENESIS-এর মতো বাণিজ্যিক মডেল এবং Delft3D ও MIKE21-এর মতো পদার্থবিদ্যা-ভিত্তিক মডেলগুলোর অভাব ছিল।

একটি তুলনামূলক বিশ্লেষণে দেখা গেছে যে, স্বল্পমেয়াদী, পাঁচ-বছর মেয়াদী পূর্বাভাসের জন্য সেরা মডেলগুলো হলো CoSMoS-COAST-CONV_SV (হাইব্রিড মডেল), GAT-LSTM_YM (ডেটা-চালিত মডেল), এবং iTransformer-KC (ডেটা-চালিত মডেল)। এই মডেলগুলোর রুট মিন স্কয়ার এরর ছিল প্রায় ১০ মিটার, যা স্যাটেলাইট রিমোট সেন্সিং উপকূলরেখার ডেটার ৮.৯ মিটার সহজাত ত্রুটির সাথে তুলনীয়। এটি ইঙ্গিত দেয় যে, কিছু সৈকতের ক্ষেত্রে মডেলগুলোর পূর্বাভাস দেওয়ার ক্ষমতা পর্যবেক্ষণ প্রযুক্তির সীমার কাছাকাছি পৌঁছে যাচ্ছে। অবশ্যই, অন্যান্য মডেলগুলো উপকূলরেখার পরিবর্তনগুলোকে আরও ভালোভাবে ধরতে সক্ষম হয়েছিল।

একটি আশ্চর্যজনক বিষয় হলো, হাইব্রিড মডেলটি ডেটা-ড্রাইভেন মডেলের সমতুল্য পারফর্ম করেছে। CoSMoS-COAST-CONV_SV (হাইব্রিড মডেল) ভৌত প্রক্রিয়া এবং কনভোলিউশনাল অপারেশনের সমন্বয় করে, অন্যদিকে GAT-LSTM_YM (ডেটা-ড্রাইভেন মডেল) স্থানিক পারস্পরিক সম্পর্ক নির্ণয়ের জন্য একটি গ্রাফ অ্যাটেনশন নেটওয়ার্ক ব্যবহার করে। উভয় মডেলই ভালো পারফর্ম করেছে।

মধ্যম-মেয়াদী পূর্বাভাসের ক্ষেত্রে, এলএক্স-শোর সিরিজ (হাইব্রিড মডেল) পরিমাপকৃত তথ্যের সবচেয়ে কাছাকাছি পূর্বাভাস প্রদান করে। উপকূল বরাবর এবং পার্শ্বীয় পলি পরিবহন প্রক্রিয়াকে সংযুক্ত করার মাধ্যমে, এই মডেলগুলো দীর্ঘমেয়াদী স্থিতিশীলতা বজায় রাখে এবং একই সাথে চরম ঝড়ের ঘটনায় পরিমাপকৃত তথ্যের সাথে সবচেয়ে সামঞ্জস্যপূর্ণ প্রতিক্রিয়া প্রদর্শন করে। এই মডেলগুলোর পূর্বাভাস থেকে বোঝা যায় যে, একটিমাত্র তীব্র ঝড় সাময়িকভাবে উপকূলরেখাকে ১৫-২০ মিটার পর্যন্ত পিছিয়ে দিতে পারে এবং এর সম্পূর্ণ পুনরুদ্ধারে দুই থেকে তিন বছর পর্যন্ত সময় লাগতে পারে। কসমস-কোস্ট সিরিজ চমৎকার স্থিতিশীলতা প্রদান করে, যেখানে অন্যান্য মডেলগুলো দীর্ঘমেয়াদী বিচ্যুতি এবং অতি-প্রতিক্রিয়ার সমস্যায় ভুগতে পারে।

মডেলের ফলাফল ইঙ্গিত দেয় যেডেটার গুণমানমডেলের কার্যকারিতার ক্ষেত্রে এটি একটি প্রধান সীমাবদ্ধতা। যদিও স্যাটেলাইট রিমোট সেন্সিং ডেটা একটি বিস্তৃত এলাকা জুড়ে থাকে, এর টেম্পোরাল রেজোলিউশন কম, সাধারণত সাপ্তাহিক থেকে মাসিক, যা ঝড়-পরবর্তী দ্রুত পুনরুদ্ধারকে ধারণ করা কঠিন করে তোলে। অধিকন্তু, তাৎক্ষণিক জলসীমা ঢেউয়ের উচ্চতা বৃদ্ধি এবং জোয়ার-ভাটার দ্বারা প্রভাবিত হয়, যার ফলে ক্ষণস্থায়ী ত্রুটি দেখা দেয় যা মডেলের পূর্বাভাসকে প্রভাবিত করতে পারে।

গবেষণায় দেখা গেছে যে, স্থানকালিক ডেটা মসৃণকরণ, যেমন শক্তিশালী দ্বি-মাত্রিক ফিল্টারিং কৌশলের ব্যবহার, মডেলের কর্মক্ষমতা উল্লেখযোগ্যভাবে উন্নত করতে পারে। পরবর্তীতে, জমা দেওয়া নন-ব্লাইন্ড টেস্ট মডেলগুলো অপ্টিমাইজড ডেটা প্রিপ্রসেসিংয়ের মাধ্যমে গড় ত্রুটি ১৫% কমিয়েছে।

রোবাস্ট টুডি স্মুদিং হলো একটি উন্নত সিগন্যাল প্রসেসিং পদ্ধতি, যা বিশেষভাবে উপকূলীয় স্যাটেলাইট ডেটার নয়েজ প্রক্রিয়াকরণের জন্য ডিজাইন করা হয়েছে। মূলত, এটি ওয়েটেড লিস্ট স্কোয়ার্স-এর উপর ভিত্তি করে তৈরি একটি পুনরাবৃত্তিমূলক ফিল্টারিং অ্যালগরিদম, এবং স্যাটেলাইট চিত্রে থাকা ক্ষণস্থায়ী তরঙ্গ নয়েজের মতো আউটলায়ারের ক্ষেত্রে এটি অত্যন্ত শক্তিশালী।

মডেলের পূর্বাভাসের জন্য আরেকটি গুরুত্বপূর্ণ বিষয় হলো উপকূলীয় তরঙ্গ তথ্যের নির্ভুলতা। বর্তমানে, তরঙ্গ তথ্যে বিভিন্ন ত্রুটি রয়েছে, যার মধ্যে অন্তর্ভুক্ত হলো: বৈশ্বিক তরঙ্গ পুনঃবিশ্লেষণ তথ্যের উপকূলীয় রূপান্তরের ত্রুটি, তরঙ্গ ভাঙন অঞ্চলের পরিবর্তে ১০-মিটার সমগভীরতা রেখা থেকে তরঙ্গ পরামিতি আহরণের কারণে সৃষ্ট পক্ষপাত, এবং দৈনিক গড় তরঙ্গ পরিস্থিতি ব্যবহারের মাধ্যমে চরম ঘটনাগুলোর প্রভাবকে অবমূল্যায়ন করা। এই সমস্ত ত্রুটিই মডেলের পূর্বাভাসকে প্রভাবিত করতে পারে।

দীর্ঘমেয়াদী পূর্বাভাসের জন্য, বেশিরভাগ মডেল সমুদ্রপৃষ্ঠের উচ্চতা বৃদ্ধির প্রভাব অনুমান করতে চিরায়ত ব্রাউনীয় সূত্রের উপর নির্ভর করে। তবে, এই সূত্রটি অসীম ও ভারসাম্যপূর্ণ পলি সরবরাহ ধরে নেয় এবং উপকূল থেকে দূরে পলি পরিবহন বা সৈকত পুনর্গঠনের মতো মানবিক কার্যকলাপের প্রভাবকে উপেক্ষা করে। এর ফলে মডেলে উল্লেখযোগ্য ত্রুটি দেখা দিতে পারে।

ভারসাম্য প্রোফাইল তত্ত্বের উপর ভিত্তি করে, ব্রাউনের সূত্র সমুদ্রপৃষ্ঠের উচ্চতা বৃদ্ধি এবং উপকূলরেখার পশ্চাদপসরণের মধ্যে একটি রৈখিক সম্পর্ক স্থাপন করে। এই তত্ত্ব অনুযায়ী, একটি উপকূলীয় প্রোফাইল একটি ভারসাম্যপূর্ণ আকৃতি বজায় রাখে। সমুদ্রপৃষ্ঠের উচ্চতা বাড়ার সাথে সাথে, স্থান সংকুলানের জন্য সৃষ্ট বর্ধিত পরিসর এই ভারসাম্যপূর্ণ প্রোফাইলটিকে নতুন সমুদ্রপৃষ্ঠের সাপেক্ষে তার আকৃতি বজায় রাখার জন্য স্থলভাগের দিকে সরে যেতে বাধ্য করে। ফলস্বরূপ, তত্ত্বটি বলে যে উপকূলীয় প্রোফাইল স্থলভাগের দিকে সরে যাওয়ার সাথে সাথে, সৈকতের উপরের স্তর ক্ষয়প্রাপ্ত হয় এবং ক্ষয়প্রাপ্ত পদার্থ উপকূল থেকে দূরে জমা হয়, যার ফলে উপকূলের নিকটবর্তী সমুদ্রতল উপরে উঠে আসে এবং এভাবে জলের গভীরতা স্থির থাকে। ব্রাউনের সূত্র অনুযায়ী, সৈকতের ঢালের উপর নির্ভর করে উপকূলীয় পশ্চাদপসরণ সমুদ্রপৃষ্ঠের উচ্চতা বৃদ্ধির চেয়ে ১০ থেকে ৫০ গুণ বেশি হতে পারে।

এই গবেষণাটি নির্দিষ্ট চাহিদার উপর ভিত্তি করে উপযুক্ত সরঞ্জাম নির্বাচনের জন্য একটি ভিত্তি প্রদান করে। অধিকন্তু, ডেটা প্রিপ্রসেসিং অত্যন্ত গুরুত্বপূর্ণ; সঠিক ডেটা প্রক্রিয়াকরণ কখনও কখনও মডেলটির চেয়েও বেশি প্রভাব ফেলতে পারে। ShoreShop 2.0 থেকে অর্জিত অভিজ্ঞতার উপর ভিত্তি করে, পূর্বাভাসের নির্ভুলতা বাড়ানোর জন্য স্যাটেলাইট এবং তরঙ্গ ডেটার উন্নতি করা যেতে পারে। অধিকন্তু, দীর্ঘমেয়াদী পূর্বাভাসে কৃত্রিমভাবে বিঘ্নিত সৈকতের অনিয়ন্ত্রিত প্রভাবও পূর্বাভাসের ফলাফলকে উল্লেখযোগ্যভাবে প্রভাবিত করতে পারে। এছাড়াও, GENESIS, Delft3D, এবং MIKE21-এর মতো বাণিজ্যিক মডেলগুলোর অংশগ্রহণের অভাব একটি উল্লেখযোগ্য সমস্যা।

আমিনীল সীমান্তের অভিভাবকগণ: আমাদের মহাসাগর ও জলবায়ু রক্ষায় ফ্রাঙ্কস্টারের ১১ বছরের অভিযান

এক দশকেরও বেশি সময় ধরে, ফ্রাঙ্কস্টার সামুদ্রিক পরিবেশ ব্যবস্থাপনার ক্ষেত্রে অগ্রণী ভূমিকা পালন করে আসছে। অত্যাধুনিক প্রযুক্তি এবং বৈজ্ঞানিক কঠোরতাকে কাজে লাগিয়ে আমরা অতুলনীয় সমুদ্র ও জলবিজ্ঞান সংক্রান্ত তথ্য সরবরাহ করি। আমাদের লক্ষ্য শুধু তথ্য সংগ্রহের মধ্যেই সীমাবদ্ধ নয়—আমরা একটি টেকসই ভবিষ্যতের স্থপতি, যা বিশ্বজুড়ে বিভিন্ন প্রতিষ্ঠান, বিশ্ববিদ্যালয় এবং সরকারকে আমাদের গ্রহের স্বাস্থ্য রক্ষার জন্য সুচিন্তিত সিদ্ধান্ত নিতে সক্ষম করে তোলে।