🔭 astrophysics

Discrete Chi-Square Method can model and forecast complex time series, like El Nino data between 1870 and 2024

यह शोध पत्र डिस्क्रीट ची-स्क्वायर मेथड (DCM) को प्रस्तुत करता है, जो गॉस-मार्कोव प्रमेय और विंडो डायमेंशन इफेक्ट पर आधारित एक सुदृढ़ पूर्वानुमान उपकरण है, जो जटिल समय श्रृंखलाओं, जिसमें 1870 से 2024 तक का अल नीनो डेटा शामिल है, को सफलतापूर्वक मॉडल करने और पूर्वानुमान लगाने के लिए पारंपरिक आवृत्ति-डोमेन विधियों की सीमाओं को दूर करता है।

मूल लेखक: Lauri Jetsu

प्रकाशित 2026-03-05

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Lauri Jetsu

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 मौसम की भविष्यवाणी करने की कोशिश कर रहे हैं, लेकिन बादलों को देखने के बजाय, आप एक विशाल, अराजक महासागर को देख रहे हैं जो 150 वर्षों से उथल-पुथल मचा रहा है। यह एल नीनो (El Niño) घटना है, एक विशाल जलवायु कार्यक्रम जो दुनिया भर में सूखे, बाढ़ और अरबों डॉलर का नुकसान का कारण बनता है। वैज्ञानिक दशकों से इसकी भविष्यवाणी करने की कोशिश कर रहे हैं, लेकिन यह एक भीड़ भरे बाजार में चलते हुए एक नशे में धुत व्यक्ति के पथ की भविष्यवाणी करने जैसा है: पैटर्न मौजूद है, लेकिन यह शोर और अराजकता के पीछे छिपा हुआ है।

यह शोध पत्र एक नया गणितीय उपकरण पेश करता है जिसे डिस्क्रीट ची-स्क्वायर मेथड (DCM) कहा जाता है, जिसका आविष्कार लॉरी जेट्स (Lauri Jetsu) ने किया है। लेखक का दावा है कि यह उपकरण "समय के पार देख" सकता है और आश्चर्यजनक सटीकता के साथ एल नीनो की भविष्यवाणी कर सकता है, जो उन मानक उपकरणों से बेहतर प्रदर्शन करता है जिनका उपयोग वैज्ञानिक वर्षों से कर रहे हैं।

यहाँ सरल उपमाओं का उपयोग करके शोध पत्र का विवरण दिया गया है:

1. समस्या: टूटा हुआ दिशा-सूचक यंत्र (DFT)

लंबे समय से, वैज्ञानिक समय में पैटर्न खोजने के लिए डिस्क्रीट फूरियर ट्रांसफॉर्म (DFT) नामक एक विधि का उपयोग करते रहे हैं।

उपमा: कल्पना कीजिए कि आप एक शोर भरे कमरे में एक विशिष्ट रेडियो स्टेशन खोजने की कोशिश कर रहे हैं। DFT एक रेडियो ट्यूनर की तरह है जो केवल तभी काम करता है जब संगीत एक आदर्श, शुद्ध स्वर (साइन वेव) हो और कमरा पूरी तरह से शांत हो।
दोष: वास्तविक जीवन एक आदर्श स्वर नहीं है। महासागर में "रुझान" (Trends) होते हैं (जैसे ग्लोबल वार्मिंग के कारण धीरे-धीरे पानी का गर्म होना) और "शोर" (Random weather spikes) होता है। DFT भ्रमित हो जाता है। यह एक टेढ़ी-मेढ़ी रेखा को एक आदर्श वृत्त (Circle) में फिट करने की कोशिश करता है, और अक्सर विफल हो जाता है, विशेष रूप से तब जब डेटा अव्यवस्थित हो या पैटर्न पर्याप्त बार दोहराया न गया हो।

2. समाधान: मास्टर डिटेक्टिव (DCM)

लेखक एक क्रांतिकारी विकल्प के रूप में DCM का प्रस्ताव देते हैं।

उपमा: केवल रेडियो ट्यून करने के बजाय, DCM एक मास्टर डिटेक्टिव की तरह है जो एक साथ हर संभावित सिद्धांत का परीक्षण करता है। यह केवल एक आदर्श वृत्त की तलाश नहीं करता; यह एक वृत्त प्लस एक सीधी रेखा (Trend) प्लस एक लहर (Wobble) की तलाश करता है।
यह कैसे काम करता है: यह लाखों अलग-अलग गणितीय मॉडल बनाता है। यह पूछता है: "क्या होगा यदि पैटर्न यह है? क्या होगा यदि वह है? क्या होगा यदि दो पैटर्न आपस में मिले हुए हैं?" फिर यह एक सांख्यिकीय "स्कोरकार्ड" (ची-स्क्वायर) का उपयोग करता है कि कौन सा मॉडल वास्तविक डेटा बिंदुओं के साथ सबसे अच्छा मेल खाता है।

3. गुप्त हथियार: "WD-इफेक्ट"

शोध पत्र एक अवधारणा पेश करता है जिसे विंडो डायमेंशन इफेक्ट (WD-effect) कहा जाता है। यह सबसे रोमांचक हिस्सा है।

उपमा: आमतौर पर, किसी पैटर्न को देखने के लिए, आपको लंबे समय तक देखना पड़ता है। यदि एक लहर को दोहराने में 10 साल लगते हैं, तो आप सोचते हैं कि उस लहर को देखने के लिए आपको 10 साल के डेटा की आवश्यकता है।
जादू: लेखक का दावा है कि DCM इस नियम को तोड़ता है। वह कहते हैं, "यदि आपके पास पर्याप्त स्पष्टता (सटीक डेटा) और पर्याप्त बिंदु (डेटा घनत्व) हैं, तो आप 10 साल की पूरी लहर को देख सकते हैं भले ही आपके पास केवल 1 वर्ष का डेटा हो।"
क्यों? यह एक उच्च-रिज़ॉल्यूशन वाली फोटो में एक एकल ब्रशस्ट्रोक को देखने जैसा है। यदि फोटो पर्याप्त रूप से स्पष्ट है, तो आप तुरंत बता सकते हैं कि पूरा पेंटिंग कैसा दिखता है, भले ही आपने कैनवास का बाकी हिस्सा न देखा हो। DCM उस "स्पष्टता" को खोजने के लिए भारी कंप्यूटिंग शक्ति का उपयोग करता है जिसे अन्य विधियाँ छोड़ देती हैं।

4. टेस्ट ड्राइव: सिम्युलेटेड केओस (Simulated Chaos)

वास्तविक एल नीनो डेटा को देखने से पहले, लेखक ने DCM का परीक्षण सात अलग-अलग "नकली" टाइम सीरीज़ पर किया, जिन्हें ऐसे डिज़ाइन किया गया था कि मानक उपकरण उन्हें हल न कर सकें।

चुनौती: इन नकली डेटासेट्स में छोटे समय अंतराल, छिपे हुए रुझान और कई ओवरलैपिंग सिग्नल (जैसे दो अलग-अलग लहरें एक साथ टकरा रही हों) थे।
परिणाम: पुरानी विधि (DFT) हर बार विफल रही। वह शोर में खो गई। नई विधि (DCM) ने हर मामले में सही पैटर्न खोज लिया, भले ही डेटा बहुत छोटा या बहुत शोर वाला था।

5. वास्तविक दुनिया: एल नीनो की भविष्यवाणी

अंत में, लेखक ने 1870 से 2024 तक के वास्तविक एल नीनो डेटा पर DCM लागू किया।

खोज: DCM ने महासागरीय तापमान में तीन प्रमुख "बड़ी लहरें" (Cycles) पाईं:
1. एक ~5.6-वर्षीय चक्र।
2. एक ~12.8-वर्षीय चक्र।
3. एक ~21.3-वर्षीय चक्र।
संबंध: लेखक का सुझाव है कि ये चक्र सूर्य और ग्रहों (विशेष रूप से बृहस्पति) से जुड़े हो सकते हैं, जो पृथ्वी की जलवायु को संचालित करने वाले एक ब्रह्मांडीय घड़ी की तरह कार्य करते हैं।
पूर्वानुमान: इन चक्रों का उपयोग करते हुए, DCM ने भविष्यवाणी की कि 2030 और 2032 के बीच एक अत्यधिक एल नीनो घटना होगी।
सत्यापन: शोध पत्र में एक "नोट ऐडेड टू प्रूफ" शामिल है। लेखक ने 2025 के लिए डेटा की जांच की (जो पेपर लिखे जाने के समय गायब था) और पाया कि 2025 के लिए DCM का अनुमान बिल्कुल सटीक था। इसने उन्हें विश्वास दिलाया कि 2030 का पूर्वानुमान भी संभवतः सही है।

6. यह क्यों महत्वपूर्ण है

पैसा: एल नीनो वैश्विक स्तर पर लगभग $1 ट्रिलियन का नुकसान पहुंचाता है। इसे एक साल पहले भी भविष्यवाणी करने में सक्षम होना वैश्विक अर्थव्यवस्था के ट्रिलियन डॉलर बचा सकता है।
विज्ञान: यह इस विचार को चुनौती देता कि जटिल प्रणालियाँ (जैसे जलवायु) इतनी अराजक होती हैं कि उनकी भविष्यवाणी नहीं की जा सकती। लेखक का तर्क है कि यदि आपके पास सही गणितीय "लेंस" (DCM) और पर्याप्त डेटा है, तो आप अराजकता के भीतर व्यवस्था देख सकते हैं।

सारांश

DCM को एक सस्ते कान के साथ तूफान में फुसफुसाहट सुनने की कोशिश करने के रूप में सोचें। नया तरीका (DFT) एक सुपर-कंप्यूटर की तरह है जो हवा को फ़िल्टर करता है, ध्वनि तरंगों के आकार का विश्लेषण करता है, और आपको बताता है कि फुसफुसाहट ने वास्तव में क्या कहा, भले ही उसने केवल एक सेकंड का एक अंश ही सुना हो।

लेखक मूल रूप से यह कह रहे हैं: "हमारे पास अतीत को देखने का एक नया तरीका है जो हमें भविष्य देखने में मदद करता है, और यह पहले की तुलना में कहीं बेहतर काम करता है।"

यहाँ लाउरी जेट्सु के शोध पत्र "डिस्क्रीट ची-स्क्वायर मेथड (Discrete Chi-Square Method) जटिल टाइम सीरीज़, जैसे कि 1870 और 2024 के बीच एल् नीनो डेटा, को मॉडल और पूर्वानुमानित कर सकता है" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

जटिल, गैर-रैखिक (non-linear) और गैर-स्थिर (non-stationary) टाइम सीरीज़ (जैसे एल् नीनो की घटनाएं) का पूर्वानुमान लगाना आधुनिक विज्ञान की सबसे बड़ी चुनौतियों में से एक बना हुआ है। मौजूदा फ्रीक्वेंसी-डोमेन पैरामीट्रिक विधियाँ, विशेष रूप से डिस्क्रीट फूरियर ट्रांसफॉर्म (DFT) और इसके वेरिएंट (जैसे लोम्ब-स्कार्गल), वास्तविक दुनिया के डेटा पर लागू होने पर महत्वपूर्ण सीमाओं से ग्रस्त हैं:

स्थिरता (Stationarity) की धारणा: वे अक्सर डेटा के स्थिर (constant mean and variance) होने की आवश्यकता रखते हैं, जिसके लिए प्री-प्रोसेसिंग डिट्रेंडिंग (detrending) की आवश्यकता होती है जो सिग्नल को खराब कर सकती है।
विंडो सीमाएँ (Window Limitations): जब सैंपल विंडो ( $\Delta T$ ) सिग्नल की अवधि ( $P$ ) से छोटी होती है, तो वे संघर्ष करते हैं।
सिग्नल लीकेज (Signal Leakage): छोटी विंडोज़ स्पेक्ट्रल लीकेज का कारण बनती हैं, जिससे पीक्स के बीच पावर शिफ्ट हो जाती है और फ्रीक्वेंसी रेजोल्यूशन कम हो जाता है।
मॉडल की कठोरता (Model Rigidity): वे आमतौर पर शुद्ध साइन (sine) तरंगों को मान लेते हैं और अज्ञात ट्रेंड्स या गैर-साइनुसोइडल आकृतियों पर सुपरइम्पोज़्ड कई सिग्नल्स के साथ संघर्ष करते हैं।
इल-पोस्डनेस (Ill-posedness): गैर-रैखिक पैरामीटर अनुमान (फ्रीक्वेंसी खोजना) के लिए विश्लेषणात्मक समाधान अक्सर इल-पोस्ड होता है, जिससे अस्थिर या गैर-अद्वितीय (non-unique) समाधान मिलते हैं।

यह शोध पत्र तर्क देता है कि ये सीमाएँ एल् नीनो जैसे जटिल प्रणालियों के सटीक मॉडलिंग और पूर्वानुमान को रोकती हैं।

2. कार्यप्रणाली: डिस्क्रीट ची-स्क्वायर मेथड (DCM)

लेखक डिस्क्रीट ची-स्क्वायर मेथड (DCM) का प्रस्ताव करते हैं, जो गॉस-मार्कोव प्रमेय (लीस्ट स्क्वायर्स एस्टीमेशन) पर आधारित एक फ्रीक्वेंसी-डोमेन पैरामीट्रिक टाइम सीरीज़ विश्लेषण विधि है।

मुख्य मॉडल (Core Model)

DCM टाइम सीरीज़ डेटा $y(t)$ को एक आवधिक घटक (periodic component) $h(t)$ और एक अपीरियोडिक ट्रेंड (aperiodic trend) $p(t)$ के योग के रूप में मॉडल करता है:
$g(t) = h(t) + p(t)$

आवधिक घटक ( $h(t)$ ): $K_1$ सिग्नलों का योग। प्रत्येक सिग्नल एक शुद्ध साइन या एक जटिल तरंग आकृति (ऑर्डर $K_2$ द्वारा परिभाषित, जो हार्मोनिक्स/डबल वेव्स की अनुमति देता है) हो सकता है।
अपीरियोडिक घटक ( $p(t)$ ): एक बहुपद ट्रेंड (polynomial trend) जिसका ऑर्डर $K_3$ है (जैसे स्थिर, रैखिक, या पैराबोलिक)।
पैरामीटर्स: मॉडल में फ्री पैरामीटर्स $\beta$ शामिल हैं, जिनमें फ्रीक्वेंसी ( $f$ ), आयाम (amplitudes), फेज (phases) और बहुपद गुणांक (polynomial coefficients) शामिल हैं।

कम्प्यूटेशनल रणनीति (Computational Strategy)

फ्रीक्वेंसी ग्रिड सर्च: एक एकल फ्रीक्वेंसी मानने के बजाय, DCM फ्रीक्वेंसी संयोजनों ( $f_{min}$ से $f_{max}$ ) के एक विशाल ग्रिड का परीक्षण करता है।
रैखिकीकरण (Linearization): परीक्षण किए गए फ्रीक्वेंसी के प्रत्येक निश्चित सेट ( $\beta_I$ ) के लिए, मॉडल शेष पैरामीटर्स ( $\beta_{II}$ : आयाम, फेज, ट्रेंड गुणांक) के संबंध में रैखिक हो जाता है। इन रैखिक पैरामीटर्स के लिए लीस्ट स्क्वायर्स (LS) समाधान अद्वितीय रूप से कंप्यूट किया जाता है।
अनुकूलन (Optimization): विधि प्रत्येक फ्रीक्वेंसी संयोजन के लिए ची-स्क्वायर ( $\chi^2$ ) या रेसिडुअल सम ऑफ स्क्वायर्स ( $R$ ) की गणना करती है। इस मान को न्यूनतम करने वाले संयोजन को सर्वोत्तम प्रारंभिक अनुमान के रूप में चुना जाता है।
गैर-रैखिक पुनरावृत्ति (Non-linear Iteration): एक अंतिम गैर-रैखिक पुनरावृत्ति मापदंडों को अभिसरण (convergence) तक परिष्कृत करती है।
बूटस्ट्रैप एरर एस्टीमेशन: गैर-रैखिक त्रुटि अनुमान की इल-पोस्ड प्रकृति को हल करने के लिए, लेखक एक कम्प्यूटेशनल सांख्यिकीय बूटस्ट्रैप तकनीक का उपयोग करते हैं। पैरामीटर्स और पूर्वानुमानों के लिए मजबूत एरर बार की गणना करने के लिए रेसिडुअल्स को पुन: सैंपल किया जाता है ताकि कृत्रिम डेटासेट बनाए जा सकें।

मॉडल चयन और सत्यापन

फिशर-टेस्ट (Fisher-Test): नेस्टेड मॉडल्स (जैसे 1 सिग्नल बनाम 2 सिग्नल) की तुलना करने के लिए उपयोग किया जाता है ताकि सिग्नलों की इष्टतम संख्या ( $K_1$ ) और ट्रेंड ऑर्डर ( $K_3$ ) निर्धारित किया जा सके, जिससे पेनल्टी टर्म के माध्यम से ओवरफिटिंग को रोका जा सके।
फोरकास्ट-टेस्ट (Forecast-Test): एक अनूठा सत्यापन चरण जहाँ मॉडल को डेटा के एक हिस्से (फोरकास्टिंग डेटा) पर प्रशिक्षित किया जाता है और शेष डेटा (फोरcasted data) के विरुद्ध परीक्षण किया जाता है। एक मॉडल तभी "सही" माना जाता है जब वह इस परीक्षण को पास करता है (कम फोरकास्ट एरर)।

3. प्रमुख योगदान

A. द विंडो डायमेंशन इफेक्ट (WD-effect)

यह शोध पत्र एक क्रांतिकारी अवधारणा पेश करता है: WD-इफेक्ट। यह प्रतिपादित करता है कि किसी भी सैंपल विंडो $\Delta T$ के लिए, DCM सही ट्रेंड और सिग्नल का पता लगा सकता है, बशर्ते सैंपल आकार ( $n$ ) और/या डेटा की सटीकता ( $\sigma$ ) पर्याप्त उच्च हो।

इसका तात्पर्य यह है कि यदि डेटा की गुणवत्ता पर्याप्त उच्च है, तो सैंपल विंडो की लंबाई अप्रासंगिक है।
यह DCM को ऐसे टाइम सीरीज़ को मॉडल और पूर्वानुमानित करने की अनुमति देता है जहाँ अवलोकन विंडो सिग्नल की अवधि से छोटी ( $\Delta T < P$ ) होती है, एक ऐसी स्थिति जहाँ DFT पूरी तरह विफल हो जाता है।

B. इल-पोस्ड समस्याओं का समाधान

लेखक प्रदर्शित करते हैं कि जबकि गैर-रैखिक DCM मॉडल्स का विश्लेषणात्मक समाधान इल-पोस्ड है (हैडेमार्ड की स्थिरता स्थिति का उल्लंघन करता है), एक कम्प्यूटेशनल वेल-पोस्ड समाधान मौजूद है। फ्रीक्वेंसी स्पेस को ब्रूट-फोर्स करने और बूटस्ट्रैप सांख्यिकी का उपयोग करके, DCM समाधान की उपस्थिति, विशिष्टता और स्थिरता सुनिश्चित करता है।

C. DFT की सीमाओं को पार करना

शोध पत्र व्यवस्थित रूप से मानक विधियों (जैसे DFT) के 15 अनुप्रयोग संबंधी सीमाओं (ALs) को सूचीबद्ध करता है और दिखाता है कि कैसे DCM इन सभी को दरकिनार करता है, जिसमें शामिल हैं:

प्री-व्हाइटनिंग के बिना असमान रूप से व्यवस्थित डेटा को संभालना।
गैर-साइनुसोइडल सिग्नल्स (डबल वेव्स) का पता लगाना।
अलग-अलग, त्रुटिपूर्ण डिट्रेंडिंग चरणों के बिना ट्रेंड और सिग्नल को एक साथ मॉडल करना।

4. परिणाम

A. सिम्युलेटेड टाइम सीरीज़ विश्लेषण

लेखक ने सात बढ़ते हुए जटिल सिम्युलेटेड डेटासेट्स (मॉडल 1–7) पर DFT के विरुद्ध DCM का परीक्षण किया, जिसमें निम्नलिखित विशेषताएं थीं:

सैंपल विंडो से लंबी अवधि ( $\Delta T < P$ )।
निकटतम फ्रीक्वेंसी वाले कई सिग्नल।
गैर-साइनुसोइडल आकृतियाँ (डबल वेव्स)।
अज्ञात बहुपद ट्रेंड्स।
परिणाम: DCM ने सभी 7 मॉडलों में सही अवधियों, आयामों और ट्रेंड्स का सफलतापूर्वक पता लगाया, जो $n$ और सिग्नल-टू-नॉइज़ (SN) बढ़ने के साथ सटीक मानों की ओर अभिसरित हुआ। इसके विपरीत, DFT हर मामले में विफल रहा, गलत अवधियाँ पकड़ीं, पीक्स को मिला दिया, या ट्रेंड्स को हटाने में विफल रहा।

B. एल् नीनो पूर्वानुमान (1870–2024)

इस विधि को Nino 4 HadISST1.1 समुद्री सतह तापमान डेटा (1870–2024) पर लागू किया गया।

पहचाने गए सिग्नल: DCM ने तीन प्रमुख "बिग वेव" अवधियों की पहचान की:
1. $\approx 5.66$ वर्ष
2. $\approx 12.78$ वर्ष
3. $\approx 21.3$ वर्ष
ट्रेंड: एक महत्वपूर्ण रैखिक वार्मिंग ट्रेंड का पता लगाया गया।
पूर्वानुमान सत्यापन:
- मॉडल को डेटा के पहले आधे भाग (1870–1947) पर प्रशिक्षित किया गया था और इसने दूसरे आधे भाग (1948–2024) का सफलतापूर्वक पूर्वानुमान लगाया।
- 2025 सत्यापन: शोध पत्र में एक "नोट एडेड टू द प्रूफ" शामिल है जहाँ लेखक उपलब्ध नए NOAA डेटा (फरवरी 2026) के विरुद्ध 2025 के पूर्वानुमान को सत्यापित करते हैं। 2025 के लिए पूर्वानुमान ( $y \approx -0.26^\circ C$ ) ने देखे गए मान से मिलान किया, जो मॉडल की भविष्य कहने की शक्ति की पुष्टि करता है।
भविष्य का अनुमान: मॉडल 2030 और 2032 के बीच एक चरम एल् नीनो घटना का पूर्वानुमान लगाता है।

5. महत्व और निहितार्थ

वैज्ञानिक सफलता: यह शोध पत्र दावा करता है कि उसने जलवायु विज्ञान के "होली ग्रेल" को हल कर दिया है: एल् नीनो को सटीक रूप से मॉडल करना और पूर्वानुमानित करना। यह सुझाव देता है कि "बिग वेव" आवधिकता आंतरिक अराजक महासागर-वायुमंडल गतिकी के बजाय बाहरी सौर फोर्सिंग (संभावित रूप से सौर-ग्रहीय चक्रों से जुड़ा हुआ) द्वारा संचालित है, जो वर्तमान भौतिक मॉडलों को चुनौती देता है।
पद्धतिगत श्रेष्ठता: DCM को गैर-स्थिर, गैर-रैखिक और लघु-विंडो वाली टाइम सीरीज़ के लिए एक बेहतर विकल्प के रूप में प्रस्तुत किया गया है। यह प्री-प्रोसेसिंग डिट्रेंडिंग की आवश्यकता को समाप्त करता है, जो अक्सर आर्टिफैक्ट्स पेश करता है।
आर्थिक प्रभाव: लेखक नोट करते हैं कि एल् नीनो के कारण सालाना लगभग $1 ट्रिलियन का नुकसान होता है। एक विश्वसनीय 1-वर्ष का पूर्वानुमान उत्पादकता हानि को कम करके वैश्विक अर्थव्यवस्था के ट्रिलियन बचा सकता है।
दार्शनिक बदलाव: शोध पत्र तर्क देता है कि गणित (DCM) उन नियमितताओं का पता लगा सकता है जिन्हें भौतिक मॉडल मिस कर देते हैं, जो यह सुझाव देता है कि जटिल भौतिक घटनाएं सरल निर्धारक चालकों (जैसे सौर-ग्रहीय इंटरैक्शन) द्वारा संचालित हो सकती हैं, जो पारंपरिक विश्लेषणों में शोर (noise) के कारण छिपी रहती हैं।

निष्कर्ष

लाउरी जेट्सु 'डिस्क्रीट ची-स्क्वायर मेथड' को एक मजबूत, कम्प्यूटेशनल रूप से गहन, फिर भी क्रांतिकारी उपकरण के रूप में प्रस्तुत करते हैं। WD-इफेक्ट और कम्प्यूटेशनल सांख्यिकी का लाभ उठाकर, DCM फ्रीक्वेंसी-डोमेन विधियों की मौलिक सीमाओं को दूर करता है, सफलतापूर्वक जटिल एल् नीनो डेटा को मॉडल करता है और भविष्य की चरम घटनाओं के लिए सत्यापित पूर्वानुमान प्रदान करता है। यह शोध पत्र वैज्ञानिक समुदाय को इस नए गणितीय ढांचे का उपयोग करके जटिल जलवायु प्रणालियों की भविष्यवाणियों का पुनर्मूल्यांकन करने की चुनौती देता है।