ہم کس طرح زیادہ درست طریقے سے ساحل کی تبدیلی کی پیشن گوئی کر سکتے ہیں؟ کون سے ماڈل بہتر ہیں؟

موسمیاتی تبدیلیوں کی وجہ سے سطح سمندر میں اضافہ اور طوفانوں کی شدت میں اضافہ ہو رہا ہے، عالمی ساحلی خطوں کو بے مثال کٹاؤ کے خطرات کا سامنا ہے۔ تاہم، ساحلی پٹی کی تبدیلی کی درست پیشین گوئی کرنا مشکل ہے، خاص طور پر طویل مدتی رجحانات۔ حال ہی میں، ShoreShop2.0 بین الاقوامی اشتراکی مطالعہ نے ساحلی پٹی کی پیشین گوئی کے 34 ماڈلز کی کارکردگی کو بلائنڈ ٹیسٹنگ کے ذریعے جانچا، جو ساحلی ماڈلنگ میں آرٹ کی موجودہ حالت کو ظاہر کرتا ہے۔

ساحلی پٹی ایک متحرک حد ہے جہاں زمین سمندر سے ملتی ہے، لہروں، لہروں، طوفانوں اور سطح سمندر میں اضافے کی وجہ سے مسلسل بدلتی رہتی ہے۔ دنیا بھر میں تقریباً 24% ریتیلی ساحلی پٹی 0.5 میٹر فی سال سے زیادہ کی شرح سے پیچھے ہٹ رہی ہے، اور کچھ علاقوں میں، جیسے کہ امریکی خلیجی ساحل، سالانہ کٹاؤ کی شرح 20 میٹر سے بھی زیادہ ہے۔

ساحلی پٹی کی تبدیلی کی پیش گوئی کرنا فطری طور پر مشکل اور پیچیدہ ہے، جس میں متعدد عوامل کے باہمی تعامل پر غور کرنے کی ضرورت ہوتی ہے، بشمول لہروں کی توانائی، تلچھٹ کی نقل و حمل، اور سطح سمندر میں اضافہ۔ طویل عرصے کے دوران درست پیشین گوئیاں اور بھی زیادہ مشکل ہوتی ہیں۔

جدید ساحلی پیشین گوئی کے ماڈلز کو تین قسموں میں تقسیم کیا جا سکتا ہے: ایک جسمانی تخروپن پر مبنی ہے، جیسے Delft3D اور MIKE21 سیال میکانکس اور تلچھٹ کی نقل و حمل کی مساوات پر مبنی؛ ایک ایک ہائبرڈ ماڈل ہے جو جسمانی اصولوں کو ڈیٹا سے چلنے والے طریقوں کے ساتھ جوڑتا ہے، جیسے CoSMoS-COAST اور LX-Shore؛ اور دوسرا ڈیٹا پر مبنی ماڈل ہے جو مکمل طور پر شماریاتی یا مشین لرننگ تکنیکوں پر انحصار کرتا ہے، جیسے LSTM نیٹ ورکس اور ٹرانسفارمر آرکیٹیکچرز۔

ماڈلز کی وسیع اقسام کے باوجود، متحد تشخیصی معیار کی کمی نے کارکردگی کا موازنہ مشکل بنا دیا ہے۔ کون سا ماڈل سب سے زیادہ درست پیشین گوئیاں پیش کرتا ہے؟ ShoreShop2.0 بلائنڈ ٹیسٹ مقابلہ کراس ڈسپلنری موازنہ کے لیے ایک بہترین موقع فراہم کرتا ہے۔

ShoreShop2.0 بین الاقوامی بلائنڈ ٹیسٹ مقابلہ سائنسی تعاون کی ایک انتہائی سخت شکل ہے۔ حصہ لینے والی ٹیموں کو صرف ٹیسٹ سائٹ کے بارے میں مطلع کیا جاتا ہے، جو کہ خلیج یا ساحل کا کوڈ نام ہے۔ کلیدی معلومات جیسے کہ اس کے مقام اور اصل نام کو چھپایا جاتا ہے تاکہ پیشگی معلومات کو ماڈل کیلیبریشن پر اثر انداز ہونے سے روکا جا سکے۔ مزید برآں، ڈیٹا کو سیکشنز میں خفیہ رکھا جاتا ہے، جس میں 2019-2023 (مختصر مدت) اور 1951-1998 (درمیانی مدت) کے ڈیٹا کو جان بوجھ کر روکا جاتا ہے۔ اس کے بعد ماڈل مختصر اور درمیانی مدت کے ساحل کی تبدیلیوں کی پیشن گوئی کرتے ہیں، بالآخر خفیہ ڈیٹا کا استعمال کرتے ہوئے ان کی درستگی کی تصدیق کرتے ہیں۔ یہ ڈیزائن مکمل طور پر نامعلوم حالات میں ساحلی ماڈلز کے کراس ڈسپلنری موازنہ کو قابل بناتا ہے۔

15 ممالک کی چونتیس ریسرچ ٹیموں نے ماڈلز پیش کیے، جن میں 12 ڈیٹا پر مبنی ماڈلز اور 22 ہائبرڈ ماڈل شامل تھے۔ یہ ٹیمیں امریکہ، آسٹریلیا، جاپان، فرانس اور دیگر ممالک کے اداروں سے آئی تھیں۔ تاہم، پیش کردہ ماڈلز میں تجارتی ماڈلز کی کمی تھی جیسے GENESIS اور طبیعیات پر مبنی ماڈل Delft3D اور MIKE21۔

ایک موازنہ نے انکشاف کیا کہ قلیل مدتی، پانچ سالہ پیشن گوئی کے لیے اعلیٰ کارکردگی کا مظاہرہ کرنے والے ماڈل CoSMoS-COAST-CONV_SV (ہائبرڈ ماڈل)، GAT-LSTM_YM (ڈیٹا سے چلنے والا ماڈل)، اور iTransformer-KC (ڈیٹا سے چلنے والا ماڈل) تھے۔ ان ماڈلز نے تقریباً 10 میٹر کی روٹ مطلب مربع غلطیوں کو حاصل کیا، جو سیٹلائٹ ریموٹ سینسنگ کوسٹ لائن ڈیٹا میں 8.9 میٹر کی موروثی غلطی کے مقابلے میں ہے۔ اس سے ظاہر ہوتا ہے کہ کچھ ساحلوں کے لیے، ماڈلز کی پیشین گوئی کی صلاحیتیں مشاہداتی ٹیکنالوجی کی حدود کو پہنچ رہی ہیں۔ بلاشبہ، دوسرے ماڈل ساحلی پٹی کی تبدیلیوں کو بہتر طور پر حاصل کرنے میں کامیاب تھے۔

ایک حیران کن دریافت یہ تھی کہ ہائبرڈ ماڈل نے ڈیٹا سے چلنے والے ماڈل کے مقابلے میں کارکردگی کا مظاہرہ کیا۔ CoSMoS-COAST-CONV_SV (ہائبرڈ ماڈل) فزیکل پروسیسز اور convolutional آپریشنز کو یکجا کرتا ہے، جب کہ GAT-LSTM_YM (ڈیٹا سے چلنے والا ماڈل) مقامی ارتباط کو حاصل کرنے کے لیے گراف توجہ کے نیٹ ورک کا استعمال کرتا ہے۔ دونوں ماڈلز نے اچھی کارکردگی کا مظاہرہ کیا۔

درمیانی مدت کی پیشین گوئیوں کے لحاظ سے، LX-Shore سیریز (ہائبرڈ ماڈل) ناپے گئے ڈیٹا کے قریب ترین پیشین گوئیاں فراہم کرتی ہے۔ ساحل اور پس منظر کی تلچھٹ کی نقل و حمل کے عمل کو جوڑنے سے، یہ ماڈل طویل مدتی استحکام کو برقرار رکھتے ہیں جبکہ ناپے گئے اعداد و شمار کے ساتھ انتہائی طوفان کے واقعات پر سب سے زیادہ مستقل ردعمل ظاہر کرتے ہیں۔ ان ماڈلز کی پیشین گوئیاں بتاتی ہیں کہ ایک شدید طوفان ساحلی پٹی کی 15-20 میٹر تک کی عارضی پسپائی کا سبب بن سکتا ہے، مکمل بحالی میں ممکنہ طور پر دو سے تین سال لگ سکتے ہیں۔ CoSMoS-COAST سیریز بہترین استحکام پیش کرتی ہے، جبکہ دیگر ماڈلز طویل مدتی بڑھے ہوئے اور زیادہ ردعمل کا شکار ہو سکتے ہیں۔

ماڈل کے نتائج اس کی نشاندہی کرتے ہیں۔ڈیٹا کا معیارماڈل کی کارکردگی میں ایک اہم محدود عنصر ہے۔ جب کہ سیٹلائٹ ریموٹ سینسنگ ڈیٹا ایک وسیع علاقے پر محیط ہے، اس کی عارضی ریزولیوشن کم ہے، عام طور پر ہفتہ وار سے ماہانہ، جس سے طوفان کے بعد تیزی سے بحالی کو پکڑنا مشکل ہو جاتا ہے۔ مزید برآں، فوری پانی کا کنارہ لہروں کے رن اپ اور جوار سے متاثر ہوتا ہے، جس سے عارضی غلطیاں پیدا ہوتی ہیں جو ماڈل کی پیشین گوئیوں کو متاثر کر سکتی ہیں۔

تحقیق سے پتا چلا ہے کہ spatiotemporal ڈیٹا کو ہموار کرنا، جیسے کہ مضبوط دو جہتی فلٹرنگ تکنیک کا استعمال، ماڈل کی کارکردگی کو نمایاں طور پر بہتر بنا سکتا ہے۔ بعد میں، نان بلائنڈ ٹیسٹ ماڈلز نے آپٹمائزڈ ڈیٹا پری پروسیسنگ کے ذریعے اوسط غلطی کو 15 فیصد کم کر دیا۔

Robust 2D Smoothing ایک جدید ترین سگنل پروسیسنگ طریقہ ہے جو خاص طور پر ساحلی سیٹلائٹ ڈیٹا میں شور پر کارروائی کرنے کے لیے ڈیزائن کیا گیا ہے۔ بنیادی طور پر، یہ ایک تکراری فلٹرنگ الگورتھم ہے جس کی بنیاد وزن والے کم سے کم مربعوں پر ہوتی ہے، اور سیٹلائٹ امیجز میں عارضی لہر کے شور جیسے آؤٹ لیرز کے لیے انتہائی مضبوط ہے۔

ماڈل کی پیشین گوئیوں کے لیے ایک اور اہم عنصر قریبی لہر کے اعداد و شمار کی درستگی ہے۔ فی الحال، لہر کا ڈیٹا مختلف خرابیوں سے دوچار ہے، بشمول عالمی لہر کے تجزیے کے اعداد و شمار کے قریبی کنورژن میں غلطیاں، بریکنگ زون کے بجائے 10-میٹر آئسوباتھ پر لہر کے پیرامیٹرز کو نکالنے کی وجہ سے ہونے والے تعصبات، اور روزانہ اوسط لہر کے حالات کا استعمال کرتے ہوئے انتہائی واقعات کے اثرات کو کم سمجھنا۔ یہ تمام غلطیاں ماڈل کی پیشین گوئیوں کو متاثر کر سکتی ہیں۔

طویل مدتی پیشین گوئیوں کے لیے، زیادہ تر ماڈلز سمندر کی سطح میں اضافے کے اثرات کا اندازہ لگانے کے لیے کلاسک براونین قانون پر انحصار کرتے ہیں۔ تاہم، یہ قانون ایک لامحدود اور متوازن تلچھٹ کی فراہمی کو فرض کرتا ہے اور سمندر کے کنارے تلچھٹ کی نقل و حمل یا انسانی سرگرمیوں جیسے ساحل کی پرورش کے اثرات کو نظر انداز کرتا ہے۔ یہ ماڈل کے اہم تعصبات کا باعث بن سکتا ہے۔

توازن پروفائل تھیوری کی بنیاد پر، براؤنین کا قانون سطح سمندر میں اضافے اور ساحلی پٹی کے درمیان ایک خطی تعلق فراہم کرتا ہے۔ یہ نظریہ یہ ثابت کرتا ہے کہ ساحلی پروفائل ایک توازن کی شکل کو برقرار رکھتا ہے۔ جیسے جیسے سطح سمندر میں اضافہ ہوتا ہے، رہائش کی بڑھتی ہوئی جگہ اس توازن کو زمین کی طرف منتقل کرنے پر مجبور کرتی ہے تاکہ اس کی شکل کو نئی سطح کے نسبت برقرار رکھا جا سکے۔ نتیجتاً، نظریہ یہ پیش کرتا ہے کہ جیسے جیسے ساحلی پروفائل زمین کی طرف منتقل ہوتا ہے، ساحل کی اوپری تہہ ختم ہو جاتی ہے، اور کٹا ہوا مواد سمندر کے کنارے جمع ہو جاتا ہے، جس کی وجہ سے قریبی سمندری فرش بڑھ جاتا ہے، اس طرح پانی کی مستقل گہرائی برقرار رہتی ہے۔ براؤن کا قانون پیش گوئی کرتا ہے کہ ساحلی پسپائی سمندر کی سطح میں اضافے سے 10 سے 50 گنا زیادہ ہوسکتی ہے، جو ساحل سمندر کی ڈھلوان پر منحصر ہے۔

یہ مطالعہ مخصوص ضروریات کی بنیاد پر مناسب آلات کے انتخاب کی بنیاد فراہم کرتا ہے۔ مزید برآں، ڈیٹا پری پروسیسنگ بہت اہم ہے۔ مناسب ڈیٹا پروسیسنگ کبھی کبھی خود ماڈل سے زیادہ اثر ڈال سکتی ہے۔ ShoreShop 2.0 کے ساتھ حاصل کردہ تجربے کی بنیاد پر، پیشن گوئی کی درستگی کو بڑھانے کے لیے سیٹلائٹ اور لہروں کے ڈیٹا میں بہتری لائی جا سکتی ہے۔ مزید برآں، طویل مدتی پیشین گوئیوں میں مصنوعی طور پر پریشان ساحلوں کے بے قابو اثرات بھی پیشین گوئی کے نتائج کو نمایاں طور پر متاثر کر سکتے ہیں۔ مزید برآں، GENESIS، Delft3D، اور MIKE21 جیسے تجارتی ماڈلز کی شرکت کا فقدان ایک اہم مسئلہ ہے۔

میںبلیو فرنٹیئر کے سرپرست: ہمارے سمندروں اور آب و ہوا کی حفاظت کے لیے فرینک اسٹار کا 11 سالہ مشن

ایک دہائی سے زیادہ عرصے سے، Frankstar سمندری ماحولیاتی ذمہ داری میں سب سے آگے رہا ہے، جدید ٹیکنالوجی اور سائنسی سختی کو بروئے کار لاتے ہوئے بے مثال سمندری اور ہائیڈرولوجیکل ڈیٹا فراہم کر رہا ہے۔ ہمارا مشن محض ڈیٹا اکٹھا کرنے سے بالاتر ہے — ہم ایک پائیدار مستقبل کے معمار ہیں، دنیا بھر کے اداروں، یونیورسٹیوں اور حکومتوں کو اپنے سیارے کی صحت کے لیے باخبر فیصلے کرنے کے لیے بااختیار بناتے ہیں۔