ग्लेशियर प्वाइंट मास बैलेंस मॉडलिंग मशीन लर्निंग का उपयोग करके

ग्लेशियर मास बैलेंस के अनुमान सामान्यतः फील्ड तकनीकों, अनुभवजन्य या भौतिक आधारित मॉडलों, और दूरस्थ संवेदन का उपयोग करके किए जाते हैं। हाल ही में, मशीन लर्निंग जैसे डेटा-प्रेरित उपकरण इन पारंपरिक तकनीकों के लिए शक्तिशाली पूरक बन गए हैं। यह अध्ययन स्विट्जरलैंड के 13 ग्लेशियर्स से 30 स्थलों के व्यक्तिगत प्वाइंट मास बैलेंस को अनुकरण करने के लिए मशीन लर्निंग का उपयोग करने की संभावना की जांच करता है, जो ग्लेशियर मॉनिटरिंग स्विट्जरलैंड (GLAMOS) नेटवर्क से 60 वर्षों से अधिक के डेटा पर आधारित है। इसके लिए, हम दो मशीन-लर्निंग मॉडल का उपयोग करते हैं: LASSO रिग्रेशन, L1-नियमितकरण के साथ एक रैखिक रिग्रेशन मॉडल, और eXtreme Gradient Boosting (XGBoost), निर्णय पेड़ों के ग्रेडिएंट-बूस्टेड एंसेंबल। मॉडल को तापमान और वर्षा डेटा द्वारा संचालित किया जाता है जो कि फेडरल ऑफिस ऑफ मीटियरोलॉजी एंड क्लाइमेटोलॉजी (MeteoSwiss) से 1 किमी ग्रिड रिज़ॉल्यूशन पर है। मौसमी प्वाइंट मास बैलेंस डेटा का उपयोग प्रत्येक साइट के लिए व्यक्तिगत रूप से मॉडल को प्रशिक्षित और परीक्षण करने के लिए किया जाता है। एक तुलनात्मक विश्लेषण किया जाता है जिसमें LASSO रिग्रेशन और XGBoost के प्रदर्शन की तुलना तापमान-इंडेक्स मॉडल से मास बैलेंस की गणना करने के एक मानक दृष्टिकोण से की जाती है। इस विश्लेषण में, हम यह भी जांचते हैं कि जलवायु चर की विभिन्न समयिक आवृत्तियाँ, वार्षिक से लेकर मासिक तक, मशीन लर्निंग विधियों के प्रदर्शन को कैसे प्रभावित करती हैं। उनकी गणनात्मक दक्षता से परे, ये मशीन लर्निंग मॉडल विशेष रूप से विशेषता महत्व में मूल्यवान अंतर्दृष्टि प्रदान करने के लिए उपयुक्त हैं। इसका उपयोग करते हुए, हम अध्ययन करते हैं कि कौन से महीने तापमान और वर्षा सबसे महत्वपूर्ण रूप से व्यक्तिगत स्टेक मास बैलेंस को समझाने में योगदान करते हैं और इन निष्कर्षों की तुलना आमतौर पर मानी गई मास बैलेंस चालकों से करते हैं।