Subseasonal Predictability of Diverse Persistent Wet-Cold Compound Extreme Events over China Based on Calibrating Dynamical and AI models
यह अध्ययन यह प्रदर्शित करने के लिए गतिशील और एआई-आधारित उप-मौसमी मॉडलों का मूल्यांकन और अंशांकन करता है कि चीन में निरंतर गीले-ठंडे संयुक्त चरम घटनाक्रम 15-20 दिनों तक पूर्वानुमान योग्य हैं, जिसमें मध्य चीन प्रकार विशिष्ट बड़े पैमाने के परिसंचरण पैटर्न द्वारा संचालित उच्चतम कौशल प्रदर्शित करता है, जबकि विभिन्न लीड समय के माध्यम से ईसीएमडब्ल्यूएफ (ECMWF) और सीएमए-फेंगशुन (CMA-FENGSHUN) प्रणालियों के बीच विशिष्ट प्रदर्शन शक्तियों को उजागर करता है।
मूल पेपर CC BY 4.0 (https://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
हर सर्दियों में, चीन के कुछ हिस्से एक विशेष रूप से कष्टदायक मौसम का सामना करते हैं: भारी बारिश या बर्फबारी और कड़ाके की ठंड का एक निरंतर संयोजन। वैज्ञानिक इन्हें 'परसिस्टेंट वेट-कोल्ड कंपाउंड एक्सट्रीम इवेंट्स' (लगातार गीले-ठंडे संयुक्त चरम घटनाक्रम) कहते हैं। ये केवल एक ठंडी लहर या बारिश वाले दिन से कहीं अधिक हैं; ये दोनों का एक खतरनाक ओवरलैप हैं, जो फ्रीजिंग रेन (जमा देने वाली बारिश) और भारी हिमपात जैसी स्थितियाँ पैदा करते हैं जो शहरों को पंगु बना सकते हैं, पावर ग्रिड को नुकसान पहुँचा सकते हैं और जीवन के लिए खतरा पैदा कर सकते हैं। हालाँकि हम जानते हैं कि ये घटनाएँ होती हैं, लेकिन एक या दो सप्ताह से अधिक समय पहले यह सटीक भविष्यवाणी करना कि वे कब और कहाँ प्रहार करेंगी, एक कठिन चुनौती रही है। यह पूर्वानुमान में "सबसीज़नल" (उप-मौसमी) अंतराल है—एक मानक मौसम रिपोर्ट, जो कुछ दिनों के लिए विश्वसनीय होती है, और एक मौसमी आउटलुक, जो महीनों आगे देखता है, के बीच का अजीब समय। इस खिड़की में, वायुमंडल अल्पकालिक सटीकता के लिए बहुत अराजक होता है, फिर भी महासागरों के धीमे बदलावों के मार्गदर्शन के लिए बहुत तेज़ गति वाला होता है।
चीन एकेडमी ऑफ मेट्रोलॉजिकल साइंसेज और नेशनल क्लाइमेट सेंटर के शोधकर्ताओं की एक टीम ने इस समस्या पर एक नया दृष्टिकोण अपनाया है। उन्होंने चीन के विभिन्न क्षेत्रों में होने वाली इन तीन अलग-अलग प्रकार की गीली-ठंडी घटनाओं पर ध्यान केंद्रित किया: एक जो दक्षिण को प्रभावित करती है, दूसरी पश्चिम को, और तीसरी मध्य मैदानों को। इस भविष्यवाणी की कठिनाई से निपटने के लिए, उन्होंने केवल एक पद्धति पर भरोसा नहीं किया। इसके बजाय, उन्होंने पारंपरिक कंप्यूटर मॉडल, जो वायुमंडल के भौतिक विज्ञान का अनुकरण करते हैं, की तुलना ऐतिहासिक डेटा के विशाल भंडार से पैटर्न सीखने वाले एक नई पीढ़ी के आर्टिफिशियल इंटेलिजेंस (AI) सिस्टम से की। महत्वपूर्ण रूप से, उन्होंने सबसे पहले इन मॉडलों के कच्चे डेटा पर एक सांख्यिकीय सुधार (statistical correction) लागू किया। इस चरण को रेडियो को स्टैटिक (शोर) हटाने के लिए ट्यून करने जैसा समझें; मॉडलों में अक्सर अंतर्निहित पूर्वाग्रह होते हैं, जैसे कि बहुत हल्की बारिश या बहुत गर्म तापमान का अनुमान लगाना। इन मॉडलों के पूर्वानुमानों को वास्तविक दुनिया के वितरण से मेल खाने के लिए समायोजित करके, शोधकर्ता अपने त्रुटियों के शोर के बिना मॉडलों के वास्तविक संकेत को देख सके।
इस तुलना के परिणाम एक आशाजनक मार्ग दिखाते हैं। सांख्यिकीय ट्यूनिंग के बाद, सभी मॉडल—भौतिकी-आधारित वाले भी और AI सिस्टम भी—यह पहचानने में काफी बेहतर हो गए कि ये खतरनाक घटनाएँ कहाँ होंगी। वे दो सप्ताह पहले तक इन गीले-ठंडे क्षेत्रों के सामान्य आकार और स्थान का विश्वसनीय रूप से मानचित्रण कर सके। हालाँकि, अध्ययन में पाया गया कि सभी घटनाएँ समान नहीं होती हैं, और सभी मॉडल हर चरण में समान रूप से अच्छे नहीं होते हैं। पश्चिमी चीन की घटनाएँ, जो अक्सर ऊंचे तिब्बती पठार के ऊपर बनती हैं, अपने निरंतर मौसम पैटर्न के मामले में सबसे सुसंगत रूप से पूर्वानुमानित थीं। इसके विपरीत, मध्य चीन की घटनाएँ समग्र रूप से सबसे अधिक पूर्वानुमान योग्य थीं, मुख्य रूप से इसलिए क्योंकि वे दुनिया भर में चलती हवाओं की बहुत संगठित, बड़े पैमाने की लहरों द्वारा संचालित होती हैं जिन्हें ट्रैक करना मॉडलों के लिए आसान होता है।
जब बात मॉडलों की आती है, तो समय के आधार पर शक्ति का एक स्पष्ट पैटर्न सामने आया। यूरोपियन सेंटर फॉर मीडियम-रेंज वेदर फोरकास्ट्स मॉडल, जो एक पारंपरिक दिग्गज है, पहले कुछ दिनों में सर्वश्रेष्ठ प्रदर्शन करता है, जो सटीक और तीव्र अल्पकालिक चेतावनियाँ प्रदान करता है। लेकिन जैसे-जैसे पूर्वानुमान आगे बढ़ता गया, दूसरे सप्ताह में, 'फेंगशुन' (FENGSHUN) नामक AI-आधारित मॉडल आगे निकलने लगा। इसने अन्य मॉडलों की तुलना में अपनी भविष्य कहने की क्षमता को लंबे समय तक बनाए रखा, और 15-से-20 दिनों के निशान पर भी गीले-ठंडे विसंगतियों की एक स्पष्ट तस्वीर बनाए रखी। यह सुझाव देता है कि जहाँ पारंपरिक मॉडल वायुमंडल के तात्कालिक भौतिक विज्ञान को पकड़ने में उत्कृष्ट हैं, वहीं AI सिस्टम ने उन गहरे, दीर्घकालिक पैटर्न को पहचानना सीख लिया है जो इन घटनाओं को संचालित करते हैं, भले ही वह ऐसा भौतिक बलों की स्पष्ट गणना किए बिना करता हो।
शोधकर्ताओं ने इन भविष्यवाणियों के पीछे के "क्यों" की भी गहराई से जांच की। उन्होंने पाया कि सबसे पूर्वानुमान योग्य घटनाओं से हमेशा वायुमंडल में विशिष्ट, मजबूत संकेत मिलते थे। मध्य चीन की घटनाओं के लिए, यूरोप से एशिया तक फैली उच्च और निम्न दबाव की एक स्पष्ट वेव ट्रेन (लहरों की श्रृंखला) मौजूद थी, जिसके साथ उष्णकटिबंधीय महासागरों के ऊपर क्लाउड फॉर्मेशन (बादल निर्माण) का स्पष्ट दमन भी था। जब ये बड़े पैमाने के संकेत मजबूत और संगठित थे, तो मॉडल विश्वास के साथ घटना का पूर्वानुमान लगा सके। जब पृष्ठभूमि का वायुमंडल अव्यवस्थित था या संकेत कमजोर थे, तो भविष्यवाणियाँ विफल हो गईं। यह अंतर महत्वपूर्ण है: इसका अर्थ है कि इन आपदाओं की भविष्यवाणी करने की क्षमता घटना शुरू होने से पहले के वायुमंडल की स्थिति पर बहुत अधिक निर्भर करती है। अध्ययन निष्कर्ष निकालता है कि हालांकि हम अभी भी हर एक गीली-ठंडी घटना की पूर्ण निश्चितता के साथ भविष्यवाणी नहीं कर सकते, लेकिन अब हमारे पास इस बारे में बहुत स्पष्ट समझ है कि कौन सी घटनाएँ पूर्वानुमान योग्य हैं और आपदा आने से कुछ सप्ताह पहले जीवन बचाने और आर्थिक नुकसान को कम करने के लिए विभिन्न उपकरणों का उपयोग कैसे किया जा सकता है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।