हवामान बदलामुळे समुद्राची पातळी वाढत असून वादळे अधिक तीव्र होत आहेत, त्यामुळे जागतिक किनारपट्टीला अभूतपूर्व धूप होण्याचा धोका निर्माण झाला आहे. तथापि, किनारपट्टीतील बदलांचा, विशेषतः दीर्घकालीन प्रवृत्तींचा अचूक अंदाज लावणे आव्हानात्मक आहे. अलीकडेच, 'शोरशॉप २.०' या आंतरराष्ट्रीय सहयोगी अभ्यासात, 'ब्लाइंड टेस्टिंग'द्वारे ३४ किनारपट्टी अंदाज मॉडेलच्या कामगिरीचे मूल्यांकन करण्यात आले, ज्यामुळे किनारपट्टी मॉडेलिंगमधील सध्याची अत्याधुनिक स्थिती समोर आली आहे.

किनारपट्टी ही जमीन आणि समुद्र यांची एक गतिशील सीमा आहे, जी लाटा, भरती-ओहोटी, वादळे आणि समुद्राच्या पातळीतील वाढ यांमुळे सतत बदलत असते. जगभरातील सुमारे २४% वालुकामय किनारपट्टी दरवर्षी ०.५ मीटरपेक्षा जास्त वेगाने मागे सरकत आहे आणि अमेरिकेच्या गल्फ कोस्टसारख्या काही भागांमध्ये, वार्षिक धूप होण्याचा दर २० मीटरपेक्षाही जास्त आहे.

किनारपट्टीतील बदलांचा अंदाज वर्तवणे हे मुळातच अवघड आणि गुंतागुंतीचे आहे, ज्यासाठी लाटांची ऊर्जा, गाळाचे वहन आणि समुद्राच्या पातळीतील वाढ यांसारख्या अनेक घटकांच्या परस्परसंबंधाचा विचार करणे आवश्यक असते. दीर्घ कालावधीसाठी अचूक अंदाज वर्तवणे तर त्याहूनही अधिक आव्हानात्मक आहे.

आधुनिक किनारा अंदाज मॉडेलचे तीन प्रकारांमध्ये वर्गीकरण करता येते: एक म्हणजे भौतिक सिम्युलेशनवर आधारित, जसे की द्रव यांत्रिकी आणि गाळ वहन समीकरणांवर आधारित डेल्फ्ट3डी (Delft3D) आणि माइक21 (MIKE21); दुसरे म्हणजे एक संकरित मॉडेल जे भौतिक तत्त्वांना डेटा-चालित पद्धतींसोबत जोडते, जसे की कॉसमॉस-कोस्ट (CoSMoS-COAST) आणि एलएक्स-शोर (LX-Shore); आणि तिसरे म्हणजे एक डेटा-चालित मॉडेल जे पूर्णपणे सांख्यिकीय किंवा मशीन लर्निंग तंत्रांवर अवलंबून असते, जसे की एलएसटीएम नेटवर्क्स (LSTM networks) आणि ट्रान्सफॉर्मर आर्किटेक्चर्स (Transformer architectures).

मॉडेल्सची मोठी विविधता असूनही, एकसमान मूल्यांकन निकषांच्या अभावामुळे कामगिरीची तुलना करणे अवघड झाले आहे. कोणते मॉडेल सर्वात अचूक भाकिते देते? शोरशॉप २.० ब्लाइंड टेस्ट स्पर्धा ही विविध क्षेत्रांतील तुलना करण्यासाठी एक उत्तम संधी उपलब्ध करून देते.

शोरशॉप २.० आंतरराष्ट्रीय ब्लाइंड टेस्ट स्पर्धा हे वैज्ञानिक सहकार्याचे एक अत्यंत कठोर स्वरूप आहे. सहभागी संघांना केवळ चाचणी स्थळाबद्दल माहिती दिली जाते, जे एखाद्या खाडी किंवा समुद्रकिनाऱ्याचे सांकेतिक नाव असते. मॉडेल कॅलिब्रेशनवर पूर्वज्ञानाचा प्रभाव पडू नये म्हणून, त्याचे स्थान आणि खरे नाव यांसारखी महत्त्वाची माहिती गुप्त ठेवली जाते. शिवाय, डेटा विभागांमध्ये गोपनीय ठेवला जातो, ज्यात २०१९-२०२३ (अल्पकालीन) आणि १९५१-१९९८ (मध्यमकालीन) या कालावधीतील डेटा हेतुपुरस्सर रोखून ठेवला जातो. त्यानंतर ही मॉडेल्स अल्प आणि मध्यमकालीन किनारपट्टीतील बदलांचा अंदाज वर्तवतात आणि अखेरीस गोपनीय डेटा वापरून त्यांच्या अचूकतेची पडताळणी करतात. या रचनेमुळे पूर्णपणे अज्ञात परिस्थितीत किनारी मॉडेल्सची आंतरशाखीय तुलना करणे शक्य होते.

१५ देशांमधील चौतीस संशोधन संघांनी मॉडेल्स सादर केले, ज्यात १२ डेटा-चालित मॉडेल्स आणि २२ संकरित मॉडेल्सचा समावेश होता. हे संघ अमेरिका, ऑस्ट्रेलिया, जपान, फ्रान्स आणि इतर देशांमधील संस्थांमधून आले होते. तथापि, सादर केलेल्या मॉडेल्समध्ये GENESIS सारख्या व्यावसायिक मॉडेल्सचा आणि Delft3D व MIKE21 या भौतिकशास्त्र-आधारित मॉडेल्सचा अभाव होता.

एका तुलनेतून असे दिसून आले की, अल्प-मुदतीच्या, पाच वर्षांच्या अंदाजांसाठी सर्वोत्तम कामगिरी करणारे मॉडेल्स CoSMoS-COAST-CONV_SV (हायब्रीड मॉडेल), GAT-LSTM_YM (डेटा-ड्रिव्हन मॉडेल), आणि iTransformer-KC (डेटा-ड्रिव्हन मॉडेल) हे होते. या मॉडेल्सनी सुमारे १० मीटरची रूट मीन स्क्वेअर एरर (RMS) मिळवली, जी सॅटेलाइट रिमोट सेन्सिंगद्वारे मिळवलेल्या किनारपट्टीच्या डेटामधील ८.९ मीटरच्या मूळ त्रुटीशी तुलनात्मक आहे. यावरून असे सूचित होते की, काही समुद्रकिनाऱ्यांसाठी, मॉडेल्सची पूर्वानुमान क्षमता निरीक्षण तंत्रज्ञानाच्या मर्यादांच्या जवळ पोहोचत आहे. अर्थात, इतर मॉडेल्स किनारपट्टीतील बदल अधिक चांगल्या प्रकारे टिपण्यास सक्षम होते.

एक आश्चर्यकारक निष्कर्ष असा होता की हायब्रीड मॉडेलने डेटा-ड्रिव्हन मॉडेलच्या तुलनेत चांगली कामगिरी केली. CoSMoS-COAST-CONV_SV (हायब्रीड मॉडेल) भौतिक प्रक्रिया आणि कन्व्होल्यूशनल ऑपरेशन्स एकत्र करते, तर GAT-LSTM_YM (डेटा-ड्रिव्हन मॉडेल) स्थानिक सहसंबंध टिपण्यासाठी ग्राफ अटेंशन नेटवर्कचा वापर करते. दोन्ही मॉडेल्सनी चांगली कामगिरी केली.

मध्यम-मुदतीच्या अंदाजांच्या बाबतीत, एलएक्स-शोर मालिका (हायब्रीड मॉडेल्स) मोजलेल्या डेटाशी सर्वात जवळचे अंदाज देते. किनारपट्टीच्या समांतर आणि बाजूकडील गाळ वहन प्रक्रिया एकत्र करून, ही मॉडेल्स दीर्घकालीन स्थिरता टिकवून ठेवतात आणि त्याच वेळी अत्यंत तीव्र वादळी घटनांना मोजलेल्या डेटासह सर्वात सुसंगत प्रतिसाद दर्शवतात. या मॉडेल्सच्या अंदाजानुसार, एका तीव्र वादळामुळे किनारपट्टी तात्पुरती १५-२० मीटरपर्यंत मागे सरकू शकते आणि पूर्णपणे पूर्ववत होण्यासाठी संभाव्यतः दोन ते तीन वर्षे लागू शकतात. कॉसमॉस-कोस्ट मालिका उत्कृष्ट स्थिरता प्रदान करते, तर इतर मॉडेल्समध्ये दीर्घकालीन विचलन आणि अति-प्रतिसादाची समस्या असू शकते.

मॉडेलच्या निकालांवरून असे दिसून येते कीडेटा गुणवत्तामॉडेलच्या कार्यक्षमतेतील हा एक प्रमुख मर्यादा घालणारा घटक आहे. उपग्रह रिमोट सेन्सिंग डेटा विस्तृत क्षेत्र व्यापत असला तरी, त्याचा कालिक रिझोल्यूशन कमी असतो, साधारणपणे साप्ताहिक ते मासिक, ज्यामुळे वादळानंतरची जलद पुनर्प्राप्ती टिपणे कठीण होते. याव्यतिरिक्त, पाण्याच्या तात्कालिक काठावर लाटांची उंची आणि भरती-ओहोटीचा परिणाम होतो, ज्यामुळे तात्पुरत्या त्रुटी निर्माण होतात, ज्या मॉडेलच्या अंदाजांवर परिणाम करू शकतात.

अभ्यासात असे आढळून आले की, रोबस्ट टू-डायमेन्शनल फिल्टरिंग तंत्रांच्या वापरासारख्या स्पॅशियोटेम्पोरल डेटा स्मूथिंगमुळे मॉडेलची कार्यक्षमता लक्षणीयरीत्या सुधारू शकते. नंतर, सादर केलेल्या नॉन-ब्लाइंड टेस्ट मॉडेल्सनी ऑप्टिमाइझ केलेल्या डेटा प्रीप्रोसेसिंगद्वारे सरासरी त्रुटी १५% ने कमी केली.

रोबस्ट २डी स्मूथिंग ही एक प्रगत सिग्नल प्रोसेसिंग पद्धत आहे, जी विशेषतः किनारपट्टीच्या सॅटेलाइट डेटामधील नॉईजवर प्रक्रिया करण्यासाठी तयार केली आहे. मूलतः, हा भारित किमान वर्गांवर (weighted least squares) आधारित एक पुनरावृत्ती फिल्टरिंग अल्गोरिदम आहे आणि सॅटेलाइट प्रतिमांमधील क्षणिक लाटांच्या नॉईजसारख्या आउटलायर्सच्या बाबतीत तो अत्यंत मजबूत आहे.

मॉडेलच्या अंदाजांसाठी महत्त्वाचा असलेला आणखी एक घटक म्हणजे किनाऱ्याजवळील लाटांच्या माहितीची अचूकता. सध्या, लाटांच्या माहितीमध्ये विविध प्रकारच्या त्रुटी आढळतात, ज्यामध्ये जागतिक लाटांच्या पुनर्विश्लेषण माहितीचे किनाऱ्याजवळील रूपांतरणातील त्रुटी, लाट फुटण्याच्या क्षेत्राऐवजी १०-मीटर समगहनता रेषेवर लाटांचे मापदंड काढल्यामुळे होणारे पक्षपात, आणि दैनंदिन सरासरी लाटांच्या स्थितीचा वापर करून अति तीव्र घटनांच्या परिणामाचा कमी अंदाज लावणे यांचा समावेश आहे. या सर्व त्रुटी मॉडेलच्या अंदाजांवर परिणाम करू शकतात.

दीर्घकालीन अंदाजांसाठी, बहुतेक मॉडेल्स समुद्राच्या पातळीतील वाढीच्या परिणामाचा अंदाज घेण्यासाठी क्लासिक ब्राउनियन नियमावर अवलंबून असतात. तथापि, हा नियम गाळाचा अमर्याद आणि संतुलित पुरवठा गृहीत धरतो आणि समुद्रातील गाळाची वाहतूक किंवा किनाऱ्याचे पुनर्भरण यांसारख्या मानवी क्रियांच्या परिणामांकडे दुर्लक्ष करतो. यामुळे मॉडेलमध्ये लक्षणीय त्रुटी निर्माण होऊ शकतात.

संतुलन प्रोफाइल सिद्धांतावर आधारित, ब्राउनियनचा नियम समुद्राच्या पातळीतील वाढ आणि किनाऱ्याच्या मागे हटण्यामध्ये एक रेषीय संबंध दर्शवतो. हा सिद्धांत असे मानतो की किनारी प्रोफाइल एक संतुलित आकार टिकवून ठेवतो. जसजशी समुद्राची पातळी वाढते, तसतशी वाढणारी जागा या संतुलित प्रोफाइलला नवीन समुद्राच्या पातळीच्या सापेक्ष आपला आकार टिकवून ठेवण्यासाठी जमिनीच्या दिशेने सरकण्यास भाग पाडते. परिणामी, हा सिद्धांत असे मानतो की, जसा किनारी प्रोफाइल जमिनीच्या दिशेने सरकतो, तसा किनाऱ्याच्या वरच्या थराची धूप होते आणि ही धूप झालेली सामग्री समुद्रात जमा होते, ज्यामुळे किनाऱ्याजवळील समुद्राचा तळ वर येतो आणि त्यामुळे पाण्याची खोली स्थिर राहते. ब्राउनच्या नियमानुसार, किनाऱ्याच्या उतारावर अवलंबून, किनाऱ्याचे मागे हटणे समुद्राच्या पातळीतील वाढीपेक्षा १० ते ५० पट जास्त असू शकते.

हा अभ्यास विशिष्ट गरजांनुसार योग्य साधने निवडण्यासाठी एक आधार प्रदान करतो. शिवाय, डेटाची पूर्व-प्रक्रिया अत्यंत महत्त्वाची आहे; योग्य डेटा प्रक्रियेचा प्रभाव कधीकधी प्रत्यक्ष मॉडेलपेक्षाही जास्त असू शकतो. ShoreShop 2.0 मधून मिळालेल्या अनुभवाच्या आधारे, अंदाजाची अचूकता वाढवण्यासाठी उपग्रह आणि लाटांच्या डेटामध्ये सुधारणा केल्या जाऊ शकतात. शिवाय, दीर्घकालीन अंदाजांमध्ये कृत्रिमरित्या विचलित केलेल्या किनाऱ्यांचे अनियंत्रित परिणाम देखील अंदाजाच्या निकालांवर लक्षणीय परिणाम करू शकतात. याव्यतिरिक्त, GENESIS, Delft3D आणि MIKE21 सारख्या व्यावसायिक मॉडेल्सच्या सहभागाचा अभाव ही एक मोठी समस्या आहे.

च्यानिळ्या सीमेचे रक्षक: आपले महासागर आणि हवामान यांचे संरक्षण करण्यासाठी फ्रँकस्टारचे ११ वर्षांचे अभियान

दशकाहून अधिक काळापासून, फ्रँकस्टार सागरी पर्यावरण संवर्धनात आघाडीवर आहे, आणि अतुलनीय सागरी व जलशास्त्रीय माहिती देण्यासाठी अत्याधुनिक तंत्रज्ञान व वैज्ञानिक कठोरतेचा उपयोग करत आहे. आमचे ध्येय केवळ माहिती संकलनापुरते मर्यादित नाही—आम्ही एका शाश्वत भविष्याचे शिल्पकार आहोत, जे जगभरातील संस्था, विद्यापीठे आणि सरकारांना आपल्या ग्रहाच्या आरोग्यासाठी माहितीपूर्ण निर्णय घेण्यास सक्षम करतात.