Reducing forced-signal uncertainty in the INM RAS climate models using a pattern-recognition based approach
यह शोध पत्र INM RAS जलवायु मॉडलों में निकट-सतह वायु तापमान अनुमानों में अंतर-मॉडल अनिश्चितता को कम करने के लिए उभरते हुए बाधाओं (emergent constraints) को एक पैटर्न-पहचान पद्धति के साथ एकीकृत करता है, जो ऐतिहासिक तापन पैटर्न को सफलतापूर्वक संकुचित करने में सफल रहा है लेकिन 21वीं सदी के अंत के लिए अनुमानित CO2-संगत संकेत को नियंत्रित करने में विफल रहा 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
जलवायु वैज्ञानिक जटिल कंप्यूटर प्रोग्रामों पर निर्भर करते हैं, जिन्हें 'अर्थ सिस्टम मॉडल' (Earth System Models) के रूप में जाना जाता है, ताकि वे यह सिम्युलेट कर सकें कि हमारे ग्रह का वायुमंडल और महासागर अतीत में कैसे व्यवहार करते रहे हैं और भविष्य में वे कैसे बदलेंगे। ये मॉडल ग्रीनहाउस गैसों के बढ़ते स्तर के परिणामों को समझने के लिए आवश्यक उपकरण हैं, लेकिन अक्सर वे एक-दूसरे से असहमत होते हैं। जब विभिन्न मॉडल एक ही परिदृश्य (scenario) को चलाते हैं, तो वे दुनिया के गर्म होने की मात्रा या दुनिया भर में यह गर्मी कैसे वितरित होगी, इसके बारे में व्यापक रूप से भिन्न भविष्यवाणियां कर सकते हैं। यह असहमति, या अनिश्चितता, समाज के लिए जलवायु परिवर्तन के प्रभावी जवाबों की योजना बनाना कठिन बना देती है। इस अनिश्चितता का एक प्रमुख स्रोत यह है कि मॉडल अदृश्य भौतिक प्रक्रियाओं, जैसे कि बादलों के निर्माण को कैसे संभालते हैं, जो कंप्यूटर के ग्रिड द्वारा सीधे देखे जाने के लिए बहुत छोटे हैं लेकिन जलवायु पर उनका बहुत बड़ा प्रभाव पड़ता है। बेहतर भविष्यवाणियां करने के लिए, शोधकर्ता लगातार इन विभिन्न मॉडल आउटपुट और ऐतिहासिक रिकॉर्ड में हम जो देखते हैं, उनके बीच के अंतर को कम करने के तरीके खोज रहे हैं।
सर्गेई क्रावत्सोव के नेतृत्व में शोधकर्ताओं की एक टीम ने, जिसमें रूस के वैज्ञानिक अकादमी के सहयोगियों भी शामिल थे, इस मॉडल असहमति की समस्या से निपटने के लिए एक नया तरीका विकसित किया है। उन्होंने रूस के 'इंस्टीट्यूट ऑफ न्यूमेरिकल मैथमेटिक्स' द्वारा विकसित एक जलवायु मॉडल के तीन विशिष्ट संस्करणों पर ध्यान केंद्रित किया, जो उनके रिज़ॉल्यूशन और क्लाउड फिजिक्स (बादल भौतिकी) को संभालने के तरीके में भिन्न होते हैं। शोधकर्ता यह देखना चाहते थे कि क्या वे 'पैटर्न रिकग्निशन' (प्रतिमान पहचान) नामक एक तकनीक का उपयोग करके मॉडलों के भविष्य के अनुमानों को इस तरह समायोजित कर सकते हैं जिससे वे वैश्विक तापमान के देखे गए इतिहास के साथ अधिक निकटता से मेल खा सकें। उनका दृष्टिकोण तापमान डेटा को दो भागों में तोड़ने पर आधारित था: कार्बन डाइऑक्साइड द्वारा संचालित एक स्थिर तापन रुझान (warming trend) और अन्य कारकों के कारण होने वाला एक अधिक जटिल, उतार-चढ़ाव वाला बैकग्राउंड सिग्नल। 1880 से 2005 की ऐतिहासिक अवधि के दौरान ये पैटर्न कैसे व्यवहार करते थे, इसका विश्लेषण करके, उन्होंने मॉडलों के आउटपुट को पुनर्गठित (rescale) करने के लिए नियमों का एक सेट बनाया। लक्ष्य मॉडलों को वास्तविक तापमान रिकॉर्ड के साथ संरेखित करना था, जिससे उन्हें भविष्य की ओर देखने से पहले प्रभावी रूप से "ट्यून" किया जा सके।
इस प्रयोग के परिणाम दर्शाते हैं कि यह विधि निकट अतीत के लिए तो अच्छी तरह काम करती है, लेकिन आगे देखने पर एक दीवार से टकरा जाती है। जब शोधकर्ताओं ने अपने पुनर्गठन नियमों को 2100 के वर्ष के लिए मॉडलों के अनुमानों पर लागू किया, तो विभिन्न मॉडलों के बीच भविष्यवाणियों का प्रसार काफी कम हो गया। तीन मॉडल, जो मूल रूप से अलग-अलग गर्म होने की भविष्यवाणी कर रहे थे, एक-दूसरे के बहुत करीब आ गए, और सभी सदी के अंत तक लगभग 3 डिग्री सेल्सियस की वैश्विक तापमान वृद्धि पर अभिसरित (converge) हुए। यह सुझाव देता है कि इस पद्धति ने ऐतिहासिक डेटा में दिखाई देने वाले पूर्वाग्रहों को सुधारकर मॉडलों के अल्पकालिक पूर्वानुमानों में अनिश्चितता को सफलतापूर्वक कम कर दिया। शोधकर्ताओं ने पाया कि मॉडल भविष्य में गर्म होने की गति को बढ़ा-चढ़ाकर दिखाने की प्रवृत्ति रखते हैं, और उनकी समायोजन प्रक्रिया ने इन अनुमानों को एक सुसंगत स्तर तक नीचे ला दिया।
हालाँकि, अध्ययन ने एक महत्वपूर्ण सीमा भी प्रकट की। जबकि पुनर्गठन ऐतिहासिक अवधि और निकट भविष्य के लिए काम आया, यह 21वीं सदी के उत्तरार्ध में उभरने वाले एक विशिष्ट प्रकार के जलवायु सिग्नल को नियंत्रित करने में विफल रहा। शोधकर्ताओं ने पाया कि जलवायु परिवर्तन का एक धीमा घटक है, जो संभवतः इस बात से संबंधित है कि महासागर और वायुमंडल दशकों में गर्मी के प्रति कैसे अनुकूलित होते हैं, जो ऐतिहासिक डेटा में स्पष्ट रूप से दिखाई नहीं देता है। क्योंकि यह सिग्नल अतीत में दृश्यमान नहीं था, इसलिए पैटर्न-रिकग्निशन पद्धति इसे पहचान या ठीक नहीं कर सकी। फलस्वरूप, मॉडलों को पुनर्गठित करने के बाद भी, वे सदी के अंत में होने वाली इस गर्मी की तीव्रता पर आपस में असहमत रहे। अध्ययन बताता है कि हालांकि हम अपने मॉडलों को बेहतर बना सकते हैं, लेकिन इसमें ऐसे धीमे, लंबे समय तक चलने वाले प्रक्रियाएं छिपी हुई हैं जिन्हें वर्तमान विधियों के साथ अनुमान लगाना कठिन बना हुआ है।
शोधकर्ताओं ने अपने विचार का परीक्षण करने के लिए अपने मॉडल के एक संस्करण का उपयोग "वास्तविक दुनिया" के प्रतिनिधि के रूप में किया, यह देखने के लिए कि क्या पुनर्गठन अन्य मॉडलों को इसके करीब ला सकता है। इस प्रयोग ने पुष्टि की कि यह विधि वास्तव में मॉडलों के बीच के अंतर को कम कर सकती है, जिससे सिद्ध होता है कि यह तकनीक गणितीय रूप से सुदृढ़ है। फिर भी, मुख्य निष्कर्ष यही है कि यह पद्धति उतनी ही अच्छी है जितना कि वह डेटा जिससे वह सीखती है। यदि कोई जलवायु परिवर्तन सिग्नल ऐतिहासिक रिकॉर्ड में पता लगाने के लिए बहुत धीमा है, तो पद्धति उस सिग्नल के संबंध में मॉडल की त्रुटि को ठीक नहीं कर सकती है। इसका तात्पर्य यह है कि हालांकि हम अतीत से सीखकर अपने जलवायु अनुमानों को परिष्कृत कर सकते हैं, लेकिन पृथ्वी की जलवायु प्रणाली के इन गहरे, धीमे तंत्रों को समझे बिना अनिश्चितता को कम करने की एक मौलिक सीमा है। यह कार्य मॉडल की अनिश्चितता की समस्या को पूरी तरह से हल नहीं करता है, लेकिन यह एक स्पष्ट मार्ग प्रदान करता है कि हमारे वर्तमान उपकरण कहाँ सफल होते हैं और कहाँ विफल होते हैं।
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।