प्रश्न – निम्नलिखित कथनों पर विचार कीजिए –
- 1 जुलाई 2026 को कृत्रिम बुद्धिमत्ता (AI) की मदद से कोडाइकनाल सौर वेधशाला (KSO) के 1916–2007 के 100 वर्षों के सूर्य-चित्रों से चुंबकीय सक्रिय क्षेत्रों (Plages) की पहचान की गई।
- कि इस अध्ययन में पर्यवेक्षित मशीन लर्निंग (U-Net) मॉडल का उपयोग किया गया।
उपर्युक्त कथनों में से कौन सा/से कथन सही है/हैं ?
(a) 1 और 2 दोनों (b) केवल 1
(c) केवल 2 (d) इनमें से कोई नहीं
उत्तर – (a)
व्याख्यात्मक उत्तर
- 1 जुलाई 2026 को कृत्रिम बुद्धिमत्ता (AI) की मदद से कोडाइकनाल सौर वेधशाला (KSO) के 1916–2007 के 100 वर्षों के सूर्य-चित्रों से चुंबकीय सक्रिय क्षेत्रों (Plages) की पहचान की गई।
- इससे समय के साथ सौर गतिविधि में होने वाले परिवर्तनों का कहीं अधिक विस्तृत परिप्रेक्ष्य प्राप्त हो सकता है।
- उल्लेखनीय है कि इस अध्ययन में पर्यवेक्षित मशीन लर्निंग (U-Net) मॉडल का उपयोग किया गया।
- शोध का नेतृत्व दिब्य कीर्ति मिश्रा (Aryabhatta Research Institute of Observational Sciences) ने किया।
- इस शोध में Indian Institute of Space Science and Technology, Southwest Research Institute तथा Indian Institute of Astrophysics ने भी सहयोग किया है।
- यह अध्ययन कोडाइकनाल सौर वेधशाला (KOSO) के 1904–2022 के दैनिक सूर्य-चार्ट अभिलेखों पर आधारित है।
- AI मॉडल ने प्रत्येक रेखाचित्रों में सूर्य की डिस्क का केंद्र, आकार एवं झुकाव स्वतः निर्धारित किया।
- अध्ययन में Plages (प्लेज) अर्थात सूर्य के चुंबकीय रूप से सक्रिय, चमकीले क्षेत्र की पहचान की गई। शोध में 1916–2007 के 9 सौर चक्रों (Solar Cycles) का विश्लेषण किया गया।
- दिब्य कीर्ति मिश्रा के नेतृत्व में शोधकर्ताओं ने AI की सहायता से हाथ से बने सूर्य-चित्रों को मशीन-पठनीय डेटा में बदलकर Plage गतिविधि का विश्लेषण किया और Butterfly Diagram तैयार किया।
- अध्ययन में पाया गया कि रेखाचित्रों से प्राप्त Plage क्षेत्र KOSO के Ca II K पूर्ण-और-डिस्के अवलोकनों Full-Disk Observations से मेल खाते हैं, जिससे सिद्ध हुआ कि Sun Charts दीर्घकालिक सौर डेटा के अंतराल भरने में उपयोगी हैं।
- सूर्य की चुंबकीय गतिविधि के दीर्घकालिक और सुसंगत रिकॉर्ड अत्यंत महत्वपूर्ण हैं क्योंकि इनसे वैज्ञानिकों को विभिन्न सौर चक्रों की शक्ति और संरचना में होने वाले परिवर्तनों की तुलना करने, सूर्य की ऊर्जा उत्पादन और चुंबकीय प्रभाव में अतीत में हुए बदलावों के पुनर्निर्माण में सुधार करने और पृथ्वी पर प्रौद्योगिकी को प्रभावित करने वाले दीर्घकालिक अंतरिक्ष मौसम संबंधी जोखिमों को बेहतर ढंग से समझने में मदद मिलती है।
- अध्ययन से पता चलता है कि मशीन लर्निंग का उपयोग करके पुराने, असमान ऐतिहासिक रिकॉर्डों में सुधार किया जा सकता है और कई दशकों तक सुसंगत डेटा तैयार किया जा सकता है, जो कि पारंपरिक तरीकों से संभव नहीं है।
लेखक- नवनीत सिंह
संबंधित लिंक भी देखें…