“ਜੇਕਰ ਅੱਜ ਮਾਲਵਾ ਜਾਂ ਮਾਝਾ ਦੇ ਕਿਸੇ ਪਿੰਡ ਵਿੱਚ ਪਾਣੀ ਦਾ ਪੱਧਰ 150 ਫੁੱਟ ”
(18 ਜੂਨ 2026)

ਭੂਮਿਕਾ: ਪੰਜਾਂ ਪਾਣੀਆਂ ਦੀ ਧਰਤੀ ’ਤੇ ਸੁੱਕਦੇ ਸਰੋਤ

ਪੰਜਾਬ ਦਾ ਨਾਮ ਹੀ ‘ਪੰਜ ਪਾਣੀਆਂ’ ਦੇ ਮੇਲ ਤੋਂ ਬਣਿਆ ਹੈ, ਪਰ ਅੱਜ ਇਹ ਮਾਣਮੱਤੀ ਧਰਤੀ ਇੱਕ ਭਿਆਨਕ ਜਲ-ਸੰਕਟ ਵਿੱਚੋਂ ਲੰਘ ਰਹੀ ਹੈ। ਸੈਂਟਰਲ ਗਰਾਊਂਡ ਵਾਟਰ ਬੋਰਡ (CGWB) ਦੀਆਂ ਰਿਪੋਰਟਾਂ ਮੁਤਾਬਿਕ ਪੰਜਾਬ ਦੇ 150 ਤੋਂ ਵੱਧ ਪ੍ਰਸ਼ਾਸਨਿਕ ਬਲਾਕਾਂ ਵਿੱਚੋਂ 80% ਤੋਂ ਵਧੇਰੇ ਇਲਾਕੇ ‘ਡਾਰਕ ਜ਼ੋਨ’ (Dark Zone) ਯਾਨੀ ਅਤਿ-ਚਿੰਤਾਜਨਕ ਸਥਿਤੀ ਵਿੱਚ ਪਹੁੰਚ ਚੁੱਕੇ ਹਨ। ਇਸਦਾ ਮਤਲਬ ਹੈ ਕਿ ਜਿੰਨਾ ਪਾਣੀ ਕੁਦਰਤੀ ਤੌਰ ’ਤੇ ਮੀਂਹ ਰਾਹੀਂ ਧਰਤੀ ਹੇਠਾਂ ਵਾਪਸ ਜਾ ਰਿਹਾ ਹੈ, ਉਸ ਤੋਂ ਕਿਤੇ ਜ਼ਿਆਦਾ ਰਫਤਾਰ ਨਾਲ ਅਸੀਂ ਟਿਊਬਵੈੱਲਾਂ ਰਾਹੀਂ ਬਾਹਰ ਕੱਢ ਰਹੇ ਹਾਂ।

ਜੇਕਰ ਅਸੀਂ ਅੱਜ ਪਾਣੀ ਵਰਗੇ ਬੁਨਿਆਦੀ ਸਰੋਤ ਨੂੰ ਬਚਾਉਣ ਲਈ ਸਖਤ ਵਿਗਿਆਨਕ ਕਦਮ ਨਾ ਚੁੱਕੇ ਤਾਂ ਆਉਣ ਵਾਲੀਆਂ ਨਸਲਾਂ ਲਈ ਖੇਤੀ ਤਾਂ ਦੂਰ, ਪੀਣ ਵਾਲਾ ਪਾਣੀ ਵੀ ਨਹੀਂ ਬਚੇਗਾ। ਇਸ ਸੰਕਟ ਦਾ ਸਹੀ ਮੁਲਾਂਕਣ ਕਰਨ ਅਤੇ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ ਹੁਣ ਵਿਗਿਆਨੀ ਆਰਟੀਫੀਸ਼ਲ ਇੰਟੈਲੀਜੈਂਸ (AI) ਦੇ ਇੱਕ ਖਾਸ ਫਾਰਮੂਲੇ, ਜਿਸ ਨੂੰ LSTM ਮਾਡਲ ਕਿਹਾ ਜਾਂਦਾ ਹੈ, ਦੀ ਮਦਦ ਲੈ ਰਹੇ ਹਨ।

ਰਵਾਇਤੀ ਅੰਦਾਜ਼ੇ ਫੇਲ੍ਹ ਕਿਉਂ ਹੁੰਦੇ ਹਨ? ‘ਟਾਈਮ-ਸੀਰੀਜ਼’ ਦੀ ਗੁੰਝਲਤਾ

ਧਰਤੀ ਹੇਠਲੇ ਪਾਣੀ ਦਾ ਪੱਧਰ (Ground Water Level) ਕੋਈ ਅਜਿਹੀ ਚੀਜ਼ ਨਹੀਂ ਹੈ ਜੋ ਰਾਤੋ-ਰਾਤ ਬਦਲ ਜਾਵੇ। ਇਹ ਇੱਕ ਬਹੁਤ ਹੀ ਗੁੰਝਲਦਾਰ ‘ਟਾਈਮ-ਸੀਰੀਜ਼’ (Time-Series) ਯਾਨੀ ਸਮੇਂ ਦੇ ਨਾਲ ਬਦਲਣ ਵਾਲਾ ਰੁਝਾਨ ਹੈ।

ਜੇਕਰ ਅੱਜ ਮਾਲਵਾ ਜਾਂ ਮਾਝਾ ਦੇ ਕਿਸੇ ਪਿੰਡ ਵਿੱਚ ਪਾਣੀ ਦਾ ਪੱਧਰ 150 ਫੁੱਟ ਹੇਠਾਂ ਚਲਿਆ ਗਿਆ ਹੈ ਤਾਂ ਇਸਦੇ ਪਿੱਛੇ ਸਿਰਫ ਕੱਲ੍ਹ ਚੱਲਿਆ ਟਿਊਬਵੈੱਲ ਨਹੀਂ ਹੈ। ਇਸਦੇ ਪਿੱਛੇ ਪਿਛਲੇ 20-30 ਸਾਲਾਂ ਦਾ ਇਤਿਹਾਸ ਹੈ:

ਪਿਛਲੇ ਸਾਲਾਂ ਵਿੱਚ ਮੌਨਸੂਨ ਦੌਰਾਨ ਕਿੰਨੀ ਬਾਰਿਸ਼ ਹੋਈ?

ਕਿਹੜੇ ਸਾਲਾਂ ਵਿੱਚ ਝੋਨੇ ਹੇਠ ਰਕਬਾ ਸਭ ਤੋਂ ਵੱਧ ਸੀ?

ਤਾਪਮਾਨ ਵਿੱਚ ਕਿੰਨਾ ਵਾਧਾ ਹੋਇਆ ਅਤੇ ਵਾਸ਼ਪੀਕਰਨ (Evapotranspiration) ਦੀ ਦਰ ਕੀ ਸੀ?

ਸਧਾਰਨ ਕੰਪਿਊਟਰ ਪ੍ਰੋਗਰਾਮ ਜਾਂ ਰਵਾਇਤੀ ਗਣਿਤ ਦੇ ਫਾਰਮੂਲੇ (ਜਿਵੇਂ ਲੀਨੀਅਰ ਰਿਗਰੈਸ਼ਨ) ਇਸ ‘ਲੰਬੇ ਸਮੇਂ ਦੇ ਇਤਿਹਾਸ’ (Long-Term History) ਨੂੰ ਯਾਦ ਨਹੀਂ ਰੱਖ ਸਕਦੇ। ਉਹ ਸਿਰਫ ਅੱਜ ਦੇ ਅੰਕੜਿਆਂ ਨੂੰ ਦੇਖ ਕੇ ਭਵਿੱਖ ਦਾ ਅੰਦਾਜ਼ਾ ਲਾਉਂਦੇ ਹਨ, ਜਿਸ ਕਰਕੇ ਉਨ੍ਹਾਂ ਦੀਆਂ ਭਵਿੱਖਬਾਣੀਆਂ ਅਕਸਰ ਫੇਲ੍ਹ ਹੋ ਜਾਂਦੀਆਂ ਹਨ। ਇੱਥੇ ਕੰਮ ਆਉਂਦਾ ਹੈ LSTM ਮਾਡਲ।

LSTM ਮਾਡਲ ਕੀ ਹੈ? ਕੰਪਿਊਟਰ ਦੀ ‘ਸਮਾਰਟ ਯਾਦਦਾਸ਼ਤ’

LSTM (Long Short-Term Memory) ਦਰਅਸਲ ਆਰਟੀਫੀਸ਼ਲ ਨਿਊਰਲ ਨੈੱਟਵਰਕ (Artificial Neural Network) ਦੀ ਇੱਕ ਬਹੁਤ ਹੀ ਉੱਨਤ ਕਿਸਮ ਹੈ, ਜਿਸ ਨੂੰ ਖਾਸ ਤੌਰ ’ਤੇ ਲੰਬੇ ਸਮੇਂ ਦੇ ਅੰਕੜਿਆਂ ਦੇ ਰੁਝਾਨਾਂ ਨੂੰ ਯਾਦ ਰੱਖਣ ਲਈ ਬਣਾਇਆ ਗਿਆ ਹੈ।

ਇਸ ਨੂੰ ਸਮਝਣ ਲਈ ਇੱਕ ਸਰਲ ਉਦਾਹਰਨ ਦੇਖੋ: ਜਦੋਂ ਅਸੀਂ ਕੋਈ ਕਿਤਾਬ ਪੜ੍ਹਦੇ ਹਾਂ ਤਾਂ ਦਸਵੇਂ ਪੰਨੇ ਦੀ ਕਹਾਣੀ ਸਮਝਣ ਲਈ ਸਾਨੂੰ ਪਹਿਲੇ ਨੌਂ ਪੰਨਿਆਂ ਦੀ ਕਹਾਣੀ ਯਾਦ ਰੱਖਣੀ ਪੈਂਦੀ ਹੈ। ਜੇ ਅਸੀਂ ਪਿਛਲੇ ਪੰਨੇ ਭੁੱਲ ਜਾਈਏ ਤਾਂ ਅਗਲੀ ਕਹਾਣੀ ਸਮਝ ਨਹੀਂ ਆਵੇਗੀ। LSTM ਮਾਡਲ ਕੋਲ ਵੀ ਅਜਿਹੀ ਹੀ ਇੱਕ ‘ਸੈੱਲ ਸਟੇਟ’ (Cell State) ਯਾਨੀ ਯਾਦਦਾਸ਼ਤ ਦੀ ਪੱਟੀ ਹੁੰਦੀ ਹੈ।

ਇਸ ਮਾਡਲ ਦੇ ਅੰਦਰ ਤਿੰਨ ਬਹੁਤ ਹੀ ਖਾਸ ‘ਗੇਟ’ (Gates) ਹੁੰਦੇ ਹਨ, ਜੋ ਅੰਕੜਿਆਂ ਨੂੰ ਫਿਲਟਰ ਕਰਦੇ ਹਨ:

[ਇਨਪੁਟ ਡਾਟਾ] --- > (Forget Gate) --- > (Input Gate) --- > (Output Gate) --- > [ਭਵਿੱਖਬਾਣੀ]

ਭੁਲਾਉਣ ਵਾਲਾ ਗੇਟ (Forget Gate): ਇਹ ਤੈਅ ਕਰਦਾ ਹੈ ਕਿ ਕਿਹੜਾ ਪੁਰਾਣਾ ਅੰਕੜਾ (ਜਿਵੇਂ 40 ਸਾਲ ਪਹਿਲਾਂ ਕਿਸੇ ਇੱਕ ਦਿਨ ਪਿਆ ਮੀਂਹ) ਹੁਣ ਭਵਿੱਖਬਾਣੀ ਲਈ ਬੇਕਾਰ ਹੋ ਚੁੱਕਾ ਹੈ ਅਤੇ ਉਸ ਨੂੰ ਯਾਦਦਾਸ਼ਤ ਵਿੱਚੋਂ ਕੱਢਣਾ ਹੈ।

ਸੰਭਾਲਣ ਵਾਲਾ ਗੇਟ (Input Gate): ਇਹ ਨਵੇਂ ਅਤੇ ਮਹੱਤਵਪੂਰਨ ਅੰਕੜਿਆਂ (ਜਿਵੇਂ ਇਸ ਸਾਲ ਹੋਈ ਬਾਰਿਸ਼ ਅਤੇ ਨਵੇਂ ਨਹਿਰੀ ਪਾਣੀ ਦੇ ਨੈੱਟਵਰਕ) ਨੂੰ ਯਾਦਦਾਸ਼ਤ ਵਿੱਚ ਜੋੜਦਾ ਹੈ।

ਨਤੀਜਾ ਗੇਟ (Output Gate): ਇਹ ਪੁਰਾਣੇ ਇਤਿਹਾਸ ਅਤੇ ਨਵੇਂ ਹਾਲਾਤ ਨੂੰ ਆਪਸ ਵਿੱਚ ਮਿਲਾ ਕੇ ਬਿਲਕੁਲ ਸਹੀ ਨਤੀਜਾ ਜਾਂ ਭਵਿੱਖਬਾਣੀ ਸਾਹਮਣੇ ਲਿਆਉਂਦਾ ਹੈ।

LSTM ਪੰਜਾਬ ਦੇ ਪਾਣੀ ਦੇ ਸੰਕਟ ਨੂੰ ਕਿਵੇਂ ਹੱਲ ਕਰਦਾ ਹੈ?

ਵਿਗਿਆਨੀ ਅਤੇ ਖੇਤੀਬਾੜੀ ਯੂਨੀਵਰਸਿਟੀਆਂ (ਜਿਵੇਂ PAU) ਇਸ ਮਾਡਲ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕਿਸਾਨਾਂ ਅਤੇ ਸਰਕਾਰ ਦੀ ਤਿੰਨ ਮੁੱਖ ਤਰੀਕਿਆਂ ਨਾਲ ਮਦਦ ਕਰ ਸਕਦੀਆਂ ਹਨ:

1. ਡਾਰਕ ਜ਼ੋਨ ਦੀ ਅਗੇਤੀ ਚਿਤਾਵਣੀ (Early Warning)

ਜਦੋਂ ਅਸੀਂ LSTM ਮਾਡਲ ਨੂੰ ਪੰਜਾਬ ਦੇ ਕਿਸੇ ਖਾਸ ਜ਼ਿਲ੍ਹੇ (ਜਿਵੇਂ ਸੰਗਰੂਰ, ਮੋਗਾ ਜਾਂ ਬਰਨਾਲਾ) ਦੇ ਪਿਛਲੇ 30 ਸਾਲਾਂ ਦੇ ਪਾਣੀ ਦੇ ਅੰਕੜੇ, ਮੌਸਮ ਦਾ ਰਿਕਾਰਡ ਅਤੇ NASA ਦੇ GRACE ਸੈਟੇਲਾਈਟ ਤੋਂ ਮਿਲੇ ਧਰਤੀ ਦੀ ਗੁਰੂਤਾਕਰਸ਼ਣ ਸ਼ਕਤੀ ਦੇ ਬਦਲਾਅ (ਜੋ ਧਰਤੀ ਹੇਠਲੇ ਪਾਣੀ ਦੇ ਨੁਕਸਾਨ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਨ) ਦੇ ਅੰਕੜੇ ਦਿੰਦੇ ਹਾਂ, ਤਾਂ ਇਹ ਮਾਡਲ 95% ਤੋਂ ਵੱਧ ਸ਼ੁੱਧਤਾ ਨਾਲ ਇਹ ਦੱਸ ਦਿੰਦਾ ਹੈ ਕਿ ਅਗਲੇ 3 ਜਾਂ 5 ਸਾਲਾਂ ਵਿੱਚ ਉਸ ਇਲਾਕੇ ਵਿੱਚ ਪਾਣੀ ਕਿੰਨੇ ਫੁੱਟ ਹੋਰ ਹੇਠਾਂ ਚਲਿਆ ਜਾਵੇਗਾ। ਇਸ ਨਾਲ ਕਿਸਾਨਾਂ ਨੂੰ ਖਤਰਾ ਆਉਣ ਤੋਂ ਪਹਿਲਾਂ ਹੀ ਚਿਤਾਵਣੀ ਮਿਲ ਜਾਂਦੀ ਹੈ।

2. ਫਸਲੀ ਚੱਕਰ ਵਿੱਚ ਬਦਲਾਅ ਦਾ ਸਹੀ ਮੁਲਾਂਕਣ

ਮਾਡਲ ਵਿੱਚ ਵੱਖ-ਵੱਖ ‘ਕੀ ਜੇ’ (What-if Scenarios) ਹਾਲਾਤ ਪਾ ਕੇ ਦੇਖੇ ਜਾ ਸਕਦੇ ਹਨ। ਉਦਾਹਰਨ ਵਜੋਂ, ਜੇਕਰ ਬਠਿੰਡਾ ਜਾਂ ਪਟਿਆਲਾ ਦੇ 20% ਰਕਬੇ ਵਿੱਚ ਝੋਨੇ ਦੀ ਜਗ੍ਹਾ ਨਰਮਾ, ਮੱਕੀ ਜਾਂ ਬਾਜਰਾ ਬੀਜਿਆ ਜਾਵੇ ਤਾਂ ਅਗਲੇ 5 ਸਾਲਾਂ ਵਿੱਚ ਪਾਣੀ ਦੇ ਪੱਧਰ ’ਤੇ ਕੀ ਅਸਰ ਪਵੇਗਾ? LSTM ਮਾਡਲ ਸਕਿੰਟਾਂ ਵਿੱਚ ਗਣਨਾ ਕਰਕੇ ਦੱਸ ਦਿੰਦਾ ਹੈ ਕਿ ਇਸ ਬਦਲਾਅ ਨਾਲ ਕਿੰਨੇ ਅਰਬ ਲੀਟਰ ਪਾਣੀ ਬਚਾਇਆ ਜਾ ਸਕਦਾ ਹੈ। ਇਹ ਸਰਕਾਰ ਨੂੰ ਸਹੀ ਫਸਲੀ ਵਿਭਿੰਨਤਾ (Crop Diversification) ਦੀਆਂ ਨੀਤੀਆਂ ਬਣਾਉਣ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ।

3. ਆਰਟੀਫੀਸ਼ਲ ਰੀਚਾਰਜ (Artificial Recharge) ਦੀ ਸਹੀ ਨਿਸ਼ਾਨਦੇਹੀ

ਧਰਤੀ ਹੇਠਲੇ ਪਾਣੀ ਨੂੰ ਮੁੜ ਭਰਨ ਲਈ ਰੀਚਾਰਜ ਖੂਹ (Recharge Wells) ਲਾਏ ਜਾਂਦੇ ਹਨ। ਪਰ ਇਹ ਖੂਹ ਹਰ ਜਗ੍ਹਾ ਕਾਮਯਾਬ ਨਹੀਂ ਹੁੰਦੇ ਕਿਉਂਕਿ ਹਰ ਥਾਂ ਦੀ ਮਿੱਟੀ ਦੀ ਬਣਤਰ ਵੱਖਰੀ ਹੁੰਦੀ ਹੈ। LSTM ਮਾਡਲ ਮਿੱਟੀ ਦੀ ਨਮੀ (Soil Moisture), ਹਾਈਡ੍ਰੌਲਿਕ ਕੰਡਕਟiਵਿਟੀ (ਪਾਣੀ ਸੋਖਣ ਦੀ ਸਮਰੱਥਾ) ਅਤੇ ਇਤਿਹਾਸਕ ਵਹਾਅ ਨੂੰ ਪੜ੍ਹ ਕੇ ਬਿਲਕੁਲ ਸਹੀ ਨਿਸ਼ਾਨਦੇਹੀ ਕਰਦਾ ਹੈ ਕਿ ਪਿੰਡ ਦੇ ਕਿਸ ਹਿੱਸੇ ਵਿੱਚ ਰੀਚਾਰਜ ਸਿਸਟਮ ਲਾਉਣਾ ਸਭ ਤੋਂ ਵੱਧ ਲਾਹੇਵੰਦ ਹੋਵੇਗਾ।

ਸਿੱਟਾ: ਤਕਨੀਕ ਅਤੇ ਸੰਜਮ ਦਾ ਮੇਲ

ਜਿਵੇਂ ਪਿਛਲੇ ਲੇਖ ਵਿੱਚ ਦੱਸਿਆ ਗਿਆ ਸੀ ਕਿ “ਇੱਕ ਕਨਾਲ ਵਿੱਚ ਕੀੜਾ ਦੇਖ ਕੇ ਦਸ ਏਕੜ ਵਿੱਚ ਸਪਰੇਅ ਕਰਨਾ ਫਜ਼ੂਲ ਹੈ”, ਬਿਲਕੁਲ ਉਵੇਂ ਹੀ ਪੂਰੇ ਪੰਜਾਬ ਲਈ ਇੱਕੋ ਨੀਤੀ ਬਣਾਉਣ ਦੀ ਬਜਾਏ, ਹਰ ਪਿੰਡ ਅਤੇ ਬਲਾਕ ਦੇ ਅੰਕੜਿਆਂ ਮੁਤਾਬਿਕ ਵੱਖਰੀ ਯੋਜਨਾ ਬਣਾਉਣੀ ਪਵੇਗੀ।

LSTM ਵਰਗੇ ਡੀਪ ਲਰਨਿੰਗ ਮਾਡਲ ਸਾਨੂੰ ਬਿਮਾਰੀ (ਪਾਣੀ ਦੀ ਘਾਟ) ਦਾ ਬਿਲਕੁਲ ਸਹੀ ਐਕਸ-ਰੇ (X-Ray) ਕਰਕੇ ਦੇ ਸਕਦੇ ਹਨ। ਪਰ ਅਸਲ ਇਲਾਜ ਸਾਡੇ ਹੱਥ ਵਿੱਚ ਹੈ। ਜੇਕਰ ਅਸੀਂ AI ਦੇ ਇਨ੍ਹਾਂ ਅੰਕੜਿਆਂ ਤੋਂ ਸਿੱਖ ਕੇ ਪਾਣੀ ਦੀ ਸੰਜਮ ਨਾਲ ਵਰਤੋਂ ਕਰੀਏ, ਝੋਨੇ ਦੀ ਸਿੱਧੀ ਬਿਜਾਈ (DSR) ਅਤੇ ਤੁਪਕਾ ਸਿੰਚਾਈ (Drip Irrigation) ਵਰਗੀਆਂ ਤਕਨੀਕਾਂ ਅਪਣਾਈਏ ਤਾਂ ਹੀ ਅਸੀਂ ਪੰਜਾਬ ਦੇ ਨਾਮ ਅਤੇ ਇਸਦੀ ਹਰਿਆਵਲ ਨੂੰ ਬਚਾ ਸਕਾਂਗੇ। ਵਿਗਿਆਨ ਨੇ ਸਾਨੂੰ ਰਸਤਾ ਦਿਖਾ ਦਿੱਤਾ ਹੈ, ਹੁਣ ਉਸ ਰਸਤੇ ’ਤੇ ਚੱਲਣਾ ਸਾਡਾ ਸਭ ਦਾ ਸਾਂਝਾ ਫਰਜ਼ ਹੈ।

*       *       *       *       *

ਨੋਟ: ਹਰ ਲੇਖਕ ‘ਸਰੋਕਾਰ’ ਨੂੰ ਭੇਜੀ ਗਈ ਰਚਨਾ ਦੀ ਕਾਪੀ ਆਪਣੇ ਕੋਲ ਸੰਭਾਲਕੇ ਰੱਖੇ।
ਪਾਠਕਾਂ ਨਾਲ ਆਪਣੇ ਵਿਚਾਰ ਸਾਂਝੇ ਕਰਨ ਲਈ ਸਰੋਕਾਰ ਨਾਲ ਸੰਪਰਕ ਕਰੋ:  (sarokar2015@gmail.com)

ਹਵਾਲੇ (References):

Central Ground Water Board (CGWB), 2024. National Compilation on Dynamic Groundwater Resources of India. Ministry of Jal Shakti.

NASA GRACE (Gravity Recovery and Climate Experiment), 2024. Satellite Hydrology Data Reports for Northwest India.

Journal of Hydrology, 2025. Application of LSTM Networks in Ground Water Level Forecasting under Climate Change Scenarios.

*     *     *