DeepMet 1
INSAT सॅटेलाईट डेटाचा वापर करून अचूक पावसाचा अंदाज लावणारे डीप लर्निंग मॉडेल. संपूर्ण उपखंडासाठी अति-अचूक पावसाचा अंदाज.
DeepMet 1 हे फायलो चे डीप लर्निंग-आधारित पावसाचा अंदाज वर्तवणारे मॉडेल आहे. हे INSAT satellite डेटाचा वापर करून संपूर्ण उपखंडात 10 किमी क्षेत्रफळाच्या अचूकतेसह, 6 तास आधी आणि तासातासाचा पावसाचा अचूक अंदाज जनरेट करते.
Fyllo's Nowcast Model: DeepMet 1
Real-time precipitation forecasts powered by advanced AI
डीपमेट 1 का?
वातावरणातील प्रक्रियांची गुंतागुंत आणि पारंपरिक संख्यात्मक हवामान अंदाज (NWP) मॉडेल्सच्या मर्यादांमुळे अल्पकालीन पर्जन्यमानाचा अचूक अंदाज लावणे अजूनही एक मोठे आव्हान आहे. भारतासारख्या उच्च पर्जन्य परिवर्तनशीलता आणि दाट लोकसंख्या असलेल्या प्रदेशात आपत्ती व्यवस्थापन, शेती नियोजन आणि दैनंदिन कामकाजासाठी स्थानिक पातळीवरील आणि वेळेवर उपलब्ध होणारे पावसाचे अंदाज अत्यंत महत्त्वाचे ठरतात.
पारंपरिक NWP (Numerical Weather Prediction) मॉडेल्समध्ये भारतातील अतिस्थानिक (Hyper-local) पर्जन्यमानाच्या नमुन्यांचा अचूक अंदाज लावण्यासाठी आवश्यक स्थानिक सूक्ष्मता (Spatial Granularity) अनेकदा मर्यादित असते. डीपमेट 1 ही उणीव भरून काढण्यासाठी INSAT उपग्रह डेटावर स्पेशिओ-टेम्पोरल डीप लर्निंग तंत्रज्ञानाचा वापर करते. यामुळे 10 किमी रिझोल्यूशनवर अधिक सूक्ष्म आणि अचूक पावसाचा अंदाज मिळतो. नाऊकास्टिंगमध्ये (Nowcasting) अचूकता (Precision) आणि पूर्वानुमान क्षमता (Recall) या दोन्ही बाबतीत डीपमेट 1 पारंपरिक NWP-आधारित सेवांपेक्षा सातत्याने अधिक चांगली कामगिरी करते.
सॅटेलाइट डेटा इंजेशन
INSAT-3DS उपग्रहावरील थर्मल आणि वॉटर व्हेपर चॅनेलमधून दर अर्ध्या ताने मिळणारा डेटा वापरला जातो. तसेच, अखंड आणि विश्वासार्ह माहिती उपलब्ध राहण्यासाठी इतर जिओस्टेशनरी उपग्रह प्लॅटफॉर्म्सचा बॅकअप म्हणून वापर केला जातो.
डेटा शुद्धीकरण आणि एकरूपीकरण
चुकीचा डेटा बाजूला करणे, डेटा तासाच्या हिशोबाने सुसंगत करणे आणि त्याचे अचूक रूपांतरण करणे.
डीप लर्निंग इन्फरन्स
मागील 6 तासांच्या डेटावर CNN + ConvLSTM आणि अचूक लेयर्स प्रक्रिया करून पुढील अंदाज तयार करतात.
10 किमी क्षेत्रफळातील पावसाचा अंदाज
संपूर्ण उपखंडात पुढील 6 तासांसाठी दर तासाला पडणाऱ्या पावसाचा अचूक अंदाज.
डीपमेट 1 कसं काम करतं
अचूक पर्जन्यमान अंदाजासाठी (Precipitation Nowcasting) स्थानिक वैशिष्ट्यांचे विश्लेषण (Spatial Feature Extraction) आणि कालानुक्रमिक अनुक्रम मॉडेलिंग (Temporal Sequence Modeling) यांचा समन्वय साधणारी एकात्मिक डीप लर्निंग आर्किटेक्चर.
कन्व्होल्युशनल न्यूरल नेटवर्क
उपग्रह प्रतिमांमधून केलेले स्थानिक वैशिष्ट्यांचे (Spatial Features) विश्लेषण 10 किमी क्षेत्रामधील स्थानिक पर्जन्यमानाचे नमुने, ढगांची निर्मिती आणि भूप्रदेशामुळे प्रभावित होणाऱ्या हवामानातील बदल अचूकपणे ओळखण्यास मदत करते.
स्पॅशियो-टेम्पोरल सिक्वेन्स मॉडेल्स
ConvLSTM आणि इतर प्रगत लेयर्स वेळेनुसार बदलणारा पाऊस, त्याचा वेग, सुरुवात, कालावधी आणि तो कधी थांबेल याचा पॅटर्न समजून घेतात.
अटेंशन-बेस्ड पोस्ट-प्रोसेसिंग
भौगोलिक परिस्थिती समजून घेणारे फीचर्स पावसाचा अंदाज अधिक अचूक बनवतात. यामुळे पावसाचे ढग कुठे सरकत आहेत, पावसाचा जोर किती असेल आणि तो कुठे पडेल हे अचूक समजते.
मल्टी-सोर्स डेटा फ्यूजन
INSAT 3DS, 3DR आणि इतर जिओस्टेशनरी सॅटेलाईट डेटा एकत्र जोडते, जेणेकरून तांत्रिक बिघाड किंवा देखभाल काळातही अचूक अंदाज मिळण्यात खंड पडत नाही.
टेम्पोरल अँड स्टॅटिक फीचर्स
अंदाज अधिक स्पष्ट करण्यासाठी दिवसाची वेळ, तारीख, महिना यासोबतच समुद्रसपाटीपासूनची उंची, अक्षांश (latitude) आणि रेखांश (longitude) या भौगोलिक गोष्टींचा वापर केला जातो.
रिअल-टाइम डिप्लॉयमेंट
API द्वारे थेट जोडणीसाठी अत्यंत सोपे आणि वेगवान. फायलो चे वेब प्लॅटफॉर्म आणि REST API याद्वारे जगभरात कुठेही सहज उपलब्ध.
उद्योगातील इतर मानकांपेक्षा सरस
जानेवारी ते जुलै 2025 दरम्यान भारतातील 25 शेतांमध्ये अचूकता तपासण्यात आली, आणि फायलो च्या स्वतःच्या कायरो पावसाच्या मोजमापांवरून याची खात्री करण्यात आली.
*पावसाची नोंद म्हणजेच कमीत कमी 0.2 mm पाऊस. प्रत्येक शेतात बसवलेल्या फायलो कायरो डिव्हाइस च्या मोजमापांवरून या नोंदी तपासल्या गेल्या. डीपमेट 1 पावसाचा तात्काळ अंदाज देण्यात सातत्याने सर्वात पुढे आहे.
उपयोग आणि संबंधित उद्योग
डीपमेट 1 विविध महत्त्वाच्या क्षेत्रांमध्ये पावसाविषयी अतिशय महत्त्वाची माहिती पुरवते.
आपत्ती व्यवस्थापन
स्थानिक पूर आणि अचानक याणाऱ्या वादळ-पावसासाठी पूर्वसूचना देणारी यंत्रणा.
शहरी पायाभूत सुविधा
शहरातील सांडपाणी व्यवस्थापन, बांधकाम नियोजन आणि स्मार्ट सिटीचे कामकाज.
ऊर्जा क्षेत्र
जलविद्युत प्रकल्पांच्या धरणांचे व्यवस्थापन आणि सौर/पवन ऊर्जेच्या ग्रीडचे नियोजन.
वाहतूक आणि लॉजिस्टिक
खराब हवामानामुळे होणारे अडथळे टाळण्यासाठी आणि उशीर टाळण्यासाठी योग्य मार्गाचे नियोजन.
विमा आणि वित्त क्षेत्र
विमा मॉडेल्स आणि स्थानिक पातळीवरील शेतीच्या नुकसानीचे अचूक मूल्यांकन.
शेती
अचूक सिंचन वेळापत्रक, पिकांच्या संरक्षणाचे नियोजन आणि योग्य काढणीची वेळ.
भविष्यातील सुधारणा आणि उद्दिष्टे
आम्ही डीपमेट च्या पुढील आवृत्तीवर काम करत आहोत, ज्यामध्ये अंदाज वर्तवण्याची क्षमता, क्षेत्रफळाची अचूकता आणि इतर हवामान घटकांचा समावेश असेल.
24 ते 48 तासांचा पावसाचा अंदाज
अंदाजाचा कालावधी अधिक वाढवण्यासाठी व्हिजन ट्रान्सफॉर्मर्स (ViTs) तंत्रज्ञानाची अंमलबजावणी.
विविध हवामान घटकांचा अंदाज
पावसासोबतच तापमान, हवेतील दमटपणा (humidity) आणि वाऱ्याचा वेग यांचाही अंदाज वर्तवणे.
NWP हायब्रिड एकत्रीकरण
Deep learning च्या अंदाजांची जोड पारंपारिक NWP हवामान मॉडेलला देणे.
वैश्विक 4 किमी क्षेत्रफळ अचूकता
ट्रान्सफर लर्निंगच्या मदतीने उच्च-रिझोल्यूशन जागतिक स्तरावरील कव्हरेजचा विस्तार.
IoT सेन्सर इंटिग्रेशन
फायलो कायरो/निरो नेटवर्कमधून मिळणाऱ्या अतिघन भू-स्तरीय डेटाचे एकत्रीकरण.
नेहमी विचारले जाणारे प्रश्न
डीपमेट 1 हे फायलो (Agrihawk Technologies Pvt. Ltd.) ने विकसित केलेले, डीप लर्निंग वर आधारित पावसाचा अंदाज लावणारे मॉडेल आहे. हे INSAT satellite डेटाचा वापर करून संपूर्ण उपखंडात 10 किमी क्षेत्रफळाच्या अचूकतेसह, 6 तास आधी आणि तासातासाचा पावसाचा अचूक अंदाज देते.
जानेवारी ते जुलै 2025 दरम्यान 25 शेतांमध्ये केलेल्या चाचणीत, डीपमेट 1 ने 0.50 सरासरी रिकॉल (recall) आणि 0.18 सरासरी प्रिसिजन (precision) मिळवून ECMWF IFS (0.37 रिकॉल, 0.15 प्रिसिजन), AccuWeather (0.26 रिकॉल, 0.13 प्रिसिजन) आणि Climacell (0.42 रिकॉल, 0.15 प्रिसिजन) पेक्षा चांगली कामगिरी केली. या नोंदींची खात्री फायलो च्या कायरो पाऊस मोजणाऱ्या सेन्सर्सवरून केली गेली.
मुख्यतः INSAT 3DS चे थर्मल आणि वॉटर व्हेपर चॅनेल्सचा डेटा दर अर्ध्या तासाला मिळवला जातो. मुख्य सॅटेलाईट बंद असल्यास किंवा सोलर सिस्टीमच्या अडचणीच्या वेळी पर्यायी मार्ग म्हणून INSAT 3DR आणि इतर उपग्रहांचा बॅकअप वापरला जातो.
याची अचूकता 10 किमी × 10 किमी क्षेत्रफळाची आहे आणि पुढील 6 तासांचा अंदाज यात मिळतो. यासाठी मागील 6 तासांचा सॅटेलाईट डेटा वापरला जातो. भविष्यात हे 4 किमी क्षेत्रफळ, 30 मिनिटांचे अपडेट आणि 12 ते 48 तासांच्या अंदाजापर्यंत सुधारण्याचे ध्येय आहे.
तुम्ही fyllo.in/weather-forecast या लिंकवर जाऊन हे अंदाज पाहू शकता. API जोडणीसाठी contact@fyllo.in वर ईमेल करा.
आपत्ती व्यवस्थापन, शहरी पायाभूत सुविधा, ऊर्जा क्षेत्र, वाहतूक आणि लॉजिस्टिक, विमा आणि वित्त क्षेत्र, शेती आणि संशोधन संस्था.
भौगोलिक वैशिष्ट्यांसाठी CNN, वेळेनुसार बदलांसाठी ConvLSTM आणि प्रगत लेयर्स, आणि अंदाजाच्या अचूकतेसाठी विशेष अटेंशन हेड्स. यासोबतच वेळ, तारीख आणि भौगोलिक उंची, अक्षांश (lat), रेखांश (lon) यांचाही वापर यात केला आहे.
यामध्ये ट्रान्सफॉर्मर्सद्वारे 24 ते 48 तासांचा अंदाज, तापमान-दमटपणा-वाऱ्याचा अंदाज, NWP हवामान मॉडेलशी जोडणी, ग्लोबल 4 किमी अचूकता, फायलो कायरो/निरो सेन्सर्सचे IoT एकत्रीकरण आणि हगिंग फेसवर (Hugging Face) ओपन डेटासेट देणे समाविष्ट आहे.
डीपमेट 1 जोडण्यासाठी तयार आहात का?
API द्वारे पावसाचा अचूक अंदाज मिळवा किंवा आमच्या हवामान प्लॅटफॉर्मवर थेट अंदाज पहा.
