📊 statistics

Bayesian Functional Emulation of CO2 Emissions on Future Climate Change Scenarios

यह शोध पत्र CO2 उत्सर्जन और भविष्य के जलवायु परिवर्तन परिदृश्यों के लिए जलवायु-अर्थव्यवस्था एकीकृत मूल्यांकन मॉडल समूहों के निरंतर समय मूल्यांकन को सक्षम करने हेतु एक मिश्रित प्रभाव पदानुक्रमित मॉडल और ऑटोरेग्रेसिव त्रुटि सहप्रसरण के साथ एक पूर्ण बेयसियन कार्यात्मक प्रतिगमन एमुलेटर प्रस्तावित करता है।

मूल लेखक: Luca Aiello, Matteo Fontana, Alessandra Guglielmi

प्रकाशित 2026-06-17

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Luca Aiello, Matteo Fontana, Alessandra Guglielmi

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप जानना चाहते हैं कि 50 साल बाद मौसम कैसा होगा, लेकिन आसमान की ओर देखने के बजाय, आपको पाँच अलग-अलग, अत्यंत जटिल सुपरकंप्यूटरों से उनकी राय लेनी है। इन कंप्यूटरों को इंटीग्रेटेड असेसमेंट मॉडल्स (IAMs) कहा जाता है। ये पाँच अलग-अलग शेफ की तरह हैं जो उस सूप के स्वाद की भविष्यवाणी करने की कोशिश कर रहे हैं जिसे अभी तक पकाया भी नहीं गया है। प्रत्येक शेफ एक अलग रेसिपी (अर्थव्यवस्था, जनसंख्या और तकनीक के बारे में धारणाएँ) का उपयोग करता है और उसकी अपनी एक अनूठी शैली होती है।

समस्या यह है कि ये "शेफ" अविश्वसनीय रूप से धीमे और चलाने में महंगे हैं। वे आपको हर दस साल में केवल एक उत्तर देते हैं (जैसे 2020, 2030, 2040 आदि का एक स्नैपशॉट)। यदि आप 2025 के बारे में जानना चाहते हैं, तो आप केवल अनुमान लगाने पर मजबूर हैं।

यह शोध पत्र एक चतुर सांख्यिकीय शॉर्टकट (statistical shortcut) प्रस्तावित करता है। इन महंगे सुपरकंप्यूटरों को बार-बार चलाने के बजाय, लेखकों ने एक "सांख्यिकीय एमुलेटर" (Statistical Emulator) बनाया है। इसे एक स्मार्ट, तेज़ और सस्ता "स्टैंड-इन" या एक डिजिटल जुड़वा (digital twin) समझें जो मूल पाँच सुपरकंप्यूटरों की आदतों को सीखता है।

उन्होंने इसे कैसे किया, इसे रोज़मर्रा के उदाहरणों के साथ समझाया गया है:

1. स्नैपशॉट्स को एक सुचारू फिल्म में बदलना

मूल सुपरकंप्यूटर केवल हर दशक में डेटा पॉइंट देते हैं। यह एक ऐसी फिल्म देखने जैसा है जहाँ आप हर दस सेकंड में केवल एक फ्रेम देखते हैं। आप बीच की कार्रवाई को वास्तव में नहीं देख सकते।
लेखकों ने फंक्शनल डेटा एनालिसिस (Functional Data Analysis) नामक एक गणितीय तकनीक का उपयोग किया। कल्पना करें कि उन कुछ धुंधले स्नैपशॉट्स को लेकर उनके माध्यम से एक सुचारू, निरंतर रेखा (smooth, continuous line) खींची जा रही है। अब, केवल 2030 और 2040 में CO2 के स्तर को जानने के बजाय, एमुलेटर आपको बता सकता है कि 2035, 2036, या बीच के किसी भी विशिष्ट दिन में स्तर संभवतः क्या था। वे इसे "टेम्पोरल डाउनस्केलिंग" (temporal downscaling) कहते हैं—यानी खाली जगहों को भरना ताकि डेटा सुचारू और निरंतर हो सके।

2. सोचने का "बेयसियन" (Bayesian) तरीका

लेखकों ने बेयसियन सांख्यिकी (Bayesian Statistics) का उपयोग किया। रोज़मर्रा की भाषा में, यह नई जानकारी मिलने पर अपनी धारणाओं को अपडेट करने जैसा है।

डेटा देखने से पहले: आपके पास एक "प्रायर" (prior) अनुमान (एक पूर्वाभास) होता है कि CO2 उत्सर्जन कैसे व्यवहार कर सकता है।
डेटा देखने के बाद: आप देखते हैं कि पाँचों सुपरकंप्यूटरों ने वास्तव में क्या कहा और अपनी धारणा को अपडेट करते हैं।
परिणाम: आपको भविष्य के लिए केवल एक एकल संख्या नहीं मिलती। आपको संभावनाओं की एक रेंज (range of possibilities) मिलती है जिसमें प्रोबेबिलिटी (probabilities) जुड़ी होती है। यह केवल यह नहीं कहता कि "CO2 50 गीगाटन होगा"; बल्कि यह कहता है कि "95% संभावना है कि CO2 48 और 52 गीगाटन के बीच होगा।" यह नीति निर्माताओं को शामिल अनिश्चितता (uncertainty) की एक बहुत स्पष्ट तस्वीर देता है।

3. मुख्य कारकों (Key Drivers) को खोजना

एमुलेटर ने लेखकों को यह समझने में मदद की कि CO2 उत्सर्जन की भविष्यवाणी करने में कौन से कारक वास्तव में सबसे अधिक मायने रखते हैं। उन्होंने पाँच मुख्य घटकों को देखा:

जनसंख्या (POP)
प्रति व्यक्ति सकल घरेलू उत्पाद (GDP per capita - GDPPC) – दुनिया कितनी समृद्ध है।
ऊर्जा तीव्रता (Energy Intensity - END) – हम ऊर्जा का कितनी कुशलता से उपयोग करते हैं।
जीवाश्म ईंधन की उपलब्धता (Fossil Fuel Availability - FF) – कोयला/तेल/गैस कितनी उपलब्ध है।
निम्न-कार्बन तकनीक (Low-Carbon Tech - LC) – हम कितनी हरित तकनीक विकसित करते हैं।

उन्होंने क्या पाया:

बड़े खिलाड़ी: दो सबसे महत्वपूर्ण कारक प्रति व्यक्ति सकल घरेलू उत्पाद (GDP per capita) और ऊर्जा तीव्रता (Energy Intensity) थे।
- आश्चर्यजनक रूप से, जैसे-जैसे दुनिया समृद्ध होती है (उच्च GDP), मॉडल ने उत्सर्जन पर एक नकारात्मक प्रभाव का सुझाव दिया (संभवतः उनके विशिष्ट गणितीय सेटअप के कारण, जहाँ कुछ परिदृश्यों में समृद्ध समाज तेजी से स्वच्छ तकनीक अपना सकते हैं या उनके उपभोग पैटर्न अलग हो सकते हैं, हालांकि शोध पत्र नोट करता है कि इसकी सावधानीपूर्वक व्याख्या करने की आवश्यकता है)।
- ऊर्जा दक्षता में सुधार (उसी काम को करने के लिए कम ऊर्जा का उपयोग करना) एक बड़ा चालक था।
देर से आने वाले: जनसंख्या और जीवाश्म ईंधन की उपलब्धता सदी के उत्तरार्ध में (2050-2070 के बाद) महत्वपूर्ण हो गए।
आश्चर्य: निम्न-कार्बन तकनीक (LC) के विकास का इस विशिष्ट मॉडल में उत्सर्जन पर कोई सांख्यिकीय रूप से महत्वपूर्ण प्रभाव नहीं पड़ा। लेखक सुझाव देते हैं कि इसका मतलब यह हो सकता है कि केवल हरित तकनीक का आविष्कार करना पर्याप्त नहीं है; हमें यह भी बदलने की आवश्यकता है कि हम कितना उपभोग करते हैं और हमारी जीवनशैली कैसी है।

4. यह क्यों मायने रखता है

वर्तमान में, वैज्ञानिक पाँच अलग-अलग सुपरकंप्यूटरों के उत्तरों की रेंज को देखते हैं और बस इतना कहते हैं, "खैर, उत्तर उच्चतम और निम्नतम भविष्यवाणी के बीच कहीं है।" यह एक मोटा, "अनुभवजन्य" (empirical) अनुमान है।

यह शोध पत्र का एमुलेटर बेहतर है क्योंकि:

यह तेज़ है: आप बिना सुपरकंप्यूटरों के चलने का इंतज़ार किए तुरंत इससे सवाल पूछ सकते हैं।
यह सुचारू (smooth) है: यह आपको दशकों के बजाय किसी भी वर्ष के लिए उत्तर देता है।
यह संभाव्य (probabilistic) है: यह आपको बताता है कि अपने उत्तरों के बारे में यह कितना आश्वस्त है, जिससे केवल एक कच्ची रेंज के बजाय अनिश्चितता का एक वास्तविक माप मिलता है।

सारांश में

लेखकों ने पाँच धीमे, महंगे जलवायु-अर्थव्यवस्था सुपरकंप्यूटरों के लिए एक स्मार्ट, तेज़, सांख्यिकीय "स्टैंड-इन" बनाया है। बेयशियन गणित का उपयोग करके, उन्होंने दशक-दर-दशक के बिखरे हुए डेटा को भविष्य के CO2 उत्सर्जन की एक सुचारू, निरंतर कहानी में बदल दिया। उन्होंने पाया कि आर्थिक समृद्धि और ऊर्जा दक्षता भविष्य के उत्सर्जन के सबसे बड़े चालक हैं, जबकि हरित तकनीक अकेले उनके मॉडल में एक प्रमुख कारक के रूप में सामने नहीं आई। यह उपकरण नीति निर्माताओं को न केवल यह देखने में मदद करता है कि क्या हो सकता है, बल्कि यह भी कि उन भविष्यवाणियों में कितनी अनिश्चितता है, जिससे बेहतर, अधिक सूचित निर्णय लेना संभव हो पाता है।

तकनीकी सारांश: भविष्य के जलवायु परिवर्तन परिदृश्यों पर $CO_2$ उत्सर्जन का बेयसियन कार्यात्मक अनुकरण (Bayesian Functional Emulation)

समस्या विवरण
यह शोध पत्र एकीकृत मूल्यांकन मॉडलों (IAMs) में अनिश्चितता को मापने की चुनौती को संबोधित करता है, जो कि भविष्य के जलवायु परिवर्तन प्रभावों, विशेष रूप से कार्बन डाइऑक्साइड ( $CO_2$ ) उत्सर्जन के अनुमान लगाने के लिए उपयोग किए जाने वाले नियतात्मक (deterministic) कंप्यूटर सिम्युलेटर हैं। IAMs गणनात्मक रूप से अत्यधिक महंगे और जटिल होते हैं, और अक्सर केवल असतत समय अंतरालों (जैसे, प्रत्येक दस वर्ष में) पर ही आउटपुट प्रदान करते हैं। इसके अतिरिक्त, विभिन्न IAMs एक ही इनपुट परिदृश्यों के लिए अलग-अलग परिणाम देते हैं, जिसका कारण मॉडल कार्यान्वयन और धारणाओं में अंतर होता है। लेखक एक सांख्यिकीय एमुलेटर (emulator) विकसित करने का लक्ष्य रखते हैं जो:

विभिन्न IAMs और इनपुट मापदंडों द्वारा उत्पन्न परिवर्तनशीलता को पकड़ सके।
असतत आउटपुट का एक निरंतर कार्यात्मक प्रतिनिधित्व (continuous functional representation) प्रदान कर सके, जिससे किसी भी समय बिंदु पर मूल्यांकन संभव हो (टेम्पोरल डाउनस्केलिंग)।
नियतात्मक आउटपुट की अनुभवजन्य श्रेणियों (empirical ranges) पर निर्भर रहने के बजाय, एक बेयसियन ढांचे के माध्यम से अनिश्चितता को संभाव्यतात्मक रूप से निर्धारित कर सके।

कार्यप्रणाली
लेखक एक बेयसियन कार्यात्मक प्रतिगमन (Bayesian Functional Regression) ढांचे का प्रस्ताव करते हैं, विशेष रूप से फंक्शन-ऑन-स्केलर रिग्रेशन (FOSR), जो IAM आउटपुट के समूह (ensemble) का अनुकरण करता है।

डेटा संरचना: डेटा में 5 विभिन्न IAMs ( $J=5$ ) और 23 साझा सामाजिक-आर्थिक पथों (SSPs) ( $I=23$ ) के संयोजनों से प्राप्त $CO_2$ उत्सर्जन प्रोफाइल (लॉग-रूपांतरित) शामिल हैं। प्रत्येक प्रोफाइल को 8 समय बिंदुओं ( $D=8$ , जो 2020 से 2090 तक के दशकों का प्रतिनिधित्व करते हैं) पर विविक्त (discretized) किया गया है। इनपुट SSP चरों (जनसंख्या, प्रति व्यक्ति सकल घरेलू उत्पाद, ऊर्जा तीव्रता, जीवाश्म ईंधन उपलब्धता, निम्न-कार्बन तकनीक) के स्केलर प्रतिनिधित्व हैं।
मॉडल विनिर्देशन: $j$ वें IAM और $i$ वें SSP संयोजन के लिए $t$ समय पर $y_{ij}(t)$ को इस प्रकार मॉडल किया जाता है:
$y_{ij}(t) = w_i^T \beta(t) + c_i(t) + \epsilon_{ij}(t)$
जहाँ $w_i$ SSP इनपुट का वेक्टर है, $\beta(t)$ फिक्स्ड रिग्रेशन कोएफिशिएंट फंक्शन्स (fixed regression coefficient functions) का प्रतिनिधित्व करता है, $c_i(t)$ प्रत्येक SSP संयोजन के विशिष्ट रैंडम इफेक्ट कोएफिशिएंट फंक्शन्स हैं, और $\epsilon_{ij}(t)$ एरर टर्म है।
फंक्शनल बेसिस एक्सपेंशन: रिस्पॉन्स की कार्यात्मक प्रकृति को संभालने के लिए, $\beta(t)$ और $c_i(t)$ को $K=8$ घटकों वाले एक ट्रंकेटेड B-स्प्लाइन बेसिस (truncated B-spline basis) का उपयोग करके विस्तारित किया गया है। यह अनंत-आयामी समस्या को परिमित-आयामी (finite-dimensional) समस्या में बदल देता है जिसमें बेसिस स्कोर्स शामिल होते हैं।
पदानुक्रमित बेयसियन मॉडल (Hierarchical Bayesian Model): एक मिश्रित-प्रभाव पदानुक्रमित मॉडल (mixed-effects hierarchical model) का उपयोग किया गया है। रैंडम इफेक्ट्स $c_i(t)$ समूहों के बीच "सूचना साझा करने" (borrowing of information) की अनुमति देते हैं, जिससे छोटे समूहों के अनुमान में सुधार होता है। MCMC सैंपलिंग दक्षता में सुधार के लिए मॉडल को पदानुक्रमित रूप से केंद्रित (hierarchically centered) किया गया है।
कोवेरिएंस संरचना: एरर टर्म $\epsilon_{ij}$ को एक मल्टीवेरिएट नॉर्मल डिस्ट्रीब्यूशन के साथ माना गया है जिसमें एक ऑटोरेग्रेसिव AR(1) कोवेरिएंस संरचना $\Sigma$ है। यह विकल्प पूर्ण कोवेरिएंस मैट्रिक्स के बजाय कम्प्यूटेशनल दक्षता और टेम्पोरल डाउनस्केलिंग को सुगम बनाने के लिए चुना गया था।
अनुमान (Inference): अनुमान MCMC सिमुलेशन के माध्यम से Stan का उपयोग करके निकाला गया है। सभी मापदंडों के लिए प्रायर (priors) निर्दिष्ट किए गए हैं, जिसमें वेरिएंस घटकों और ऑटोरेग्रेसिव कोरिलेशन पैरामीटर के लिए हाइपरपैरामीटर्स भी शामिल हैं।

प्रमुख योगदान
लेखक पांच-गुना मूल योगदान का दावा करते हैं:

$CO_2$ सिम्युलेटेड उत्सर्जन के निष्कर्ष के लिए एक बेयसियन मॉडल का प्रस्ताव, जो इस प्रकार के सिम्युलेटर डेटा के लिए एक नवीन दृष्टिकोण है।
विशिष्ट बेयसियन मॉडल संरचना (लाइकलीहुड और प्रायर) का चयन।
परिणामों की संभाव्यता व्याख्या, जिसमें यह भी शामिल है कि प्रत्येक SSP, IAMs के भीतर आउटपुट में कितना योगदान देता है।
विभिन्न IAMs द्वारा प्रेरित एकल SSP संयोजनों की परिवर्तनशीलता का मॉडलिंग करना, जो नए सिम्युलेटर आउटपुट के लिए विश्वसनीय अंतराल (credible intervals) प्रदान करता है।
विविक्त (discretized) सिमुलेशन आउटपुट के लिए एक निरंतर ढांचा प्रदान करना, जिससे IAMs द्वारा दिए गए केवल दशक के बजाय किसी भी समय बिंदु पर उत्सर्जन का मूल्यांकन संभव हो पाता है।

परिणाम

रिग्रेशन कोएफिशिएंट्स: पोस्टीरियर विश्लेषण से पता चलता है कि प्रति व्यक्ति सकल घरेलू उत्पाद (GDPPC) और ऊर्जा तीव्रता (END) में सुधार प्रमुख ड्राइविंग फिक्स्ड इफेक्ट्स हैं। GDPPC का प्रभाव नकारात्मक है (यह देखते हुए कि समृद्ध आबादी अधिक उपभोग कर सकती है, हालांकि पाठ में चिन्ह की व्याख्या नोट की गई है जिसे लेखक अपने परिदृश्य धारणाओं के माध्यम से स्पष्ट करते हैं), जबकि END का प्रभाव सकारात्मक है। जीवाश्म ईंधन उपलब्धता (FF) और जनसंख्या (POP) का महत्व सदी के उत्तरार्ध में (क्रमशः 2050 और 2070 के बाद) महत्वपूर्ण हो जाता है। निम्न-कार्बन तकनीक (LC) का विकास सांख्यिकीय रूप से महत्वहीन पाया गया है।
एमिशन कर्व्स: मॉडल $c_i(t)$ के पोस्टीरियर मीन का सफलतापूर्वक अनुमान लगाता है, जो 95% विश्वसनीय अंतराल (credible intervals) के साथ सुचारू उत्सर्जन वक्र (smooth emission curves) प्रदान करता है। ये अंतराल बहु-IAM ढांचे में निहित अनिश्चितता को पकड़ते हैं, जो नियतात्मक आउटपुट की सरल मिन-मैक्स श्रेणियों की तुलना में एक बेहतर संभाव्यता व्याख्या प्रदान करते हैं।
टेम्पोरल क्रिगिंग (Temporal Kriging): लेखक दशक के मध्य बिंदुओं (जैसे, 2025, 2035) पर उत्सर्जन की भविष्यवाणी करके टेम्पोरल डाउनस्केलिंग का प्रदर्शन करते हैं। अनुमानित मीन कर्व्स के 95% विश्वसनीयता अंतराल के भीतर प्रेक्षित डेटा बिंदु स्थित हैं, जो एमुलेटर की भविष्य कहने वाली क्षमता की पुष्टि करते हैं।
प्रदर्शन: बेयसियन मॉडल का पोस्टीरियर प्रेडिक्टिव मीन स्क्वेर्ड एरर (MSE) (0.016) एक फ्रीक्वेंटिस्ट फंक्शनल डेटा विश्लेषण दृष्टिकोण (0.014) के तुलनीय है। लेखक तर्क देते हैं कि मामूली MSE अंतर के बावजूद, बेयसियन दृष्टिकोण बेहतर व्याख्यात्मकता और अनिश्चितता मात्रा निर्धारण प्रदान करता है।

महत्व
लेखक एक साथ कई IAMs को एमुलेट करने के लिए एक एकीकृत बेयसियन ढांचे के रूप में इस कार्य की महत्ता का दावा करते हैं। यह नीति निर्माताओं और जलवायु वैज्ञानिकों को निम्नलिखित में सक्षम बनाता है:

स्पष्ट संभाव्यता अर्थ के साथ अनिश्चितता अंतराल प्राप्त करना।
मापदंडों के पोस्टीरियर डिस्ट्रीब्यूशन के माध्यम से परिणामों की तुरंत व्याख्या करना।
किसी भी समय बिंदु पर उत्सर्जन का मूल्यांकन करना, जिससे उच्च टेम्पोरल फ्रीक्वेंसी पर महंगे सिम्युलेटर चलाने का कम्प्यूटेशनल बोझ कम हो जाता है।
विभिन्न सामाजिक-आर्थिक पथों और IAM संरचनात्मक अनिश्चितताओं के $CO_2$ अनुमानों में सापेक्ष योगदान को समझना।

लेखक इस बात पर जोर देते हैं कि यह कार्य IAM आउटपुट के मानक अनुभवजन्य मूल्यांकन से आगे बढ़कर एक स्टोकेस्टिक प्रतिनिधित्व प्रदान करता है जो एक सुसंगत संभाव्यता ढांचे के भीतर दोनों पैरामेट्रिक और मॉडल अनिश्चितता को कैप्चर करता है।

1. स्नैपशॉट्स को एक सुचारू फिल्म में बदलना

2. सोचने का "बेयसियन" (Bayesian) तरीका

3. मुख्य कारकों (Key Drivers) को खोजना

4. यह क्यों मायने रखता है

सारांश में

इसी तरह के और पेपर