From Hours to Daily Extremes: Evaluating ERA5 and ERA5-Land Biases Across Morocco’s Diverse Climates

मौसम पूर्वानुमान एक नए युग में प्रवेश कर चुका है जहाँ शक्तिशाली कंप्यूटर प्रोग्राम, जो पिछले मौसम के विशाल अभिलेखों पर प्रशिक्षित हैं, पारंपरिक भौतिकी-आधारित मॉडलों को टक्कर देने लगे हैं। ये कृत्रिम बुद्धिमत्ता (AI) प्रणालियाँ वायुमंडल का प्रथम सिद्धांतों से अनुकरण नहीं करती हैं; इसके बजाय, वे यह अनुमान लगाने के लिए ऐतिहासिक रिकॉर्ड से पैटर्न सीखती हैं कि आगे क्या होगा। इन ऐतिहासिक रिकॉर्ड्स के लिए सबसे विश्वसनीय स्रोत ERA5 नामक एक वैश्विक डेटासेट है, जो वायुमंडल का एक विस्तृत पुनर्निर्माण है और उन स्थानों पर भी जानकारी भर देता है जहाँ मौसम केंद्र मौजूद नहीं हैं। एक नया, उच्च-रिज़ॉल्यूशन संस्करण जिसे ERA5-Land कहा जाता है, विशेष रूप से पृथ्वी की सतह पर ध्यान केंद्रित करता है, जो उस ज़मीन के लिए और भी अधिक सटीकता का वादा करता है जिस पर हम चलते हैं। क्योंकि ये AI मॉडल सीखने के लिए पूरी तरह से इस डेटा पर निर्भर करते हैं, इसलिए इस पुनर्निर्माण की गुणवत्ता सर्वोपरि है। यदि ऐतिहासिक रिकॉर्ड में छिपी हुई त्रुटियाँ हैं या स्थानीय चरम सीमाओं को सुचारू (smooth) कर दिया गया है, तो AI भी उन दोषों को विरासत में ले लेगा, जिससे वह उन खतरनाक घटनाओं की भविष्यवाणी करने में विफल हो सकता है जिन्हें जानना समाज के लिए आवश्यक है।

मोरक्को में, एक ऐसा देश जहाँ परिदृश्य तटीय मैदानों से लेकर ऊंचे पर्वतीय श्रृंखलाओं और शुष्क रेगिस्तानों तक नाटकीय रूप से बदलता है, शोधकर्ताओं ने इन दो डेटासेट्स की विश्वसनीयता का परीक्षण करने का निर्णय लिया। वे यह जानना चाहते थे कि क्या अतीत के डिजिटल मानचित्र वास्तव में ज़मीन पर स्थित मौसम केंद्रों द्वारा दर्ज किए गए वास्तविकता से मेल खाते हैं। टीम ने 2016 से 2024 तक देश के विभिन्न जलवायु और स्थलाकृतियों को कवर करते हुए, तीस-छह अलग-अलग स्टेशनों से प्रति घंटा अवलोकन एकत्र किए। उन्होंने तापमान, आर्द्रता, हवा की गति और वर्षा के जो आंकड़े स्टेशनों द्वारा दर्ज किए गए थे, उनकी तुलना मानक ERA5 और भूमि-केंद्रित ERA5-Land द्वारा प्रदान किए गए मूल्यों से की। लक्ष्य यह देखना था कि क्या डिजिटल पुनर्निर्माण मौसम के सूक्ष्म, स्थानीय विवरणों को पकड़ सकते हैं, विशेष रूप से अत्यधिक गर्मी, ठंड और हवा की उन घटनाओं के दौरान जो इस क्षेत्र की जलवायु को परिभाषित करती हैं।

जांच से पता चला कि सामान्य जलवायु पैटर्न को समझने के लिए दोनों डेटासेट्स उल्लेखनीय रूप से अच्छे हैं। वे मौसम की दैनिक लय को सफलतापूर्वक दर्शाते हैं, यह पकड़ते हैं कि दिन के दौरान तापमान कैसे बढ़ता और घटता है और साल भर में मौसम कैसे बदलता है। औसत स्थितियों के लिए, दोनों उत्पाद काफी हद तक एक-दूसरे के स्थान पर उपयोग किए जा सकते हैं, हालांकि मानक ERA5 तापमान और आर्द्रता के लिए थोड़ा अधिक सटीक होता है, जबकि भूमि-विशिष्ट ERA5-Land जटिल, पहाड़ी इलाकों में हवा की गति को मापने में थोड़ा लाभ प्रदान करता है। हालाँकि, कहानी तब बदल जाती है जब शोधकर्ताओं ने चरम सीमाओं (extremes) को देखा। जबकि मॉडल मध्यम मौसम को अच्छी तरह से संभालते हैं, अत्यधिक गंभीर घटनाओं की भविष्यवाणी करने की उनकी क्षमता इस बात पर बहुत निर्भर करती है कि वे घटनाएँ कितनी दुर्लभ हैं।

जब शोधकर्ताओं ने अत्यधिक गर्मी, ठंड और हवा के थ्रेशोल्ड (सीमाओं) के विरुद्ध मॉडलों का परीक्षण किया, तो उन्हें एक स्पष्ट पैटर्न मिला। दोनों डेटासेट्स मध्यम चरम सीमाओं, जैसे कि बहुत गर्म दिन या हवा के तेज़ झोंके को पहचानने में अच्छा प्रदर्शन करते हैं। लेकिन जैसे-जैसे घटनाएँ दुर्लभ और अधिक तीव्र होती गईं, मॉडलों का कौशल काफी कम हो गया। सबसे गर्म दिनों या सबसे तेज़ हवाओं के लिए, मॉडल अक्सर लक्ष्य से चूक गए। शोधकर्ताओं ने उल्लेख किया कि यह विफलता अनिवार्य रूप से सॉफ़्टवेयर की कोई अनूठी खामी नहीं है, बल्कि एक व्यापक, ग्रिड-आधारित डिजिटल मानचित्र को ज़मीन पर एक विशिष्ट बिंदु से मिलाने की एक मौलिक सीमा है। एक मौसम केंद्र एक अद्वितीय सूक्ष्म-जलवायु (micro-climate) में स्थित होता है, शायद किसी घाटी में या किसी विशिष्ट ढलान पर, जबकि डिजिटल मॉडल एक बड़े क्षेत्र का प्रतिनिधित्व करता है जो उन स्थानीय विवरणों का औसत निकाल देता है। इस बेमेल होने का अर्थ है कि एक आदर्श मॉडल भी किसी विशिष्ट स्टेशन पर सटीक शिखर मान (peak value) की भविष्यवाणी नहीं कर सकता यदि वह शिखर स्थानीय भूगोल द्वारा संचालित है जिसे मॉडल देख नहीं पाता।

अध्ययन ने भूमि-केंद्रित डेटासेट के लिए एक विशिष्ट तकनीकी बाधा को भी उजागर किया। क्योंकि ERA5-Land केवल भूमि के लिए डिज़ाइन किया गया है, यह महासागर को छोड़ देता है। यह एक समस्या पैदा करता है उन स्टेशनों के लिए जो तट पर या द्वीपों के पास स्थित हैं, जहाँ मॉडल के पास मिलान के लिए कोई वैध ग्रिड पॉइंट नहीं होता है। कुछ मामलों में, तटीय स्टेशनों के लिए डेटा का वह संस्करण मौजूद ही नहीं होता, जो सावधानी से जांच न किए जाने पर आसानी से लापता मौसम रिकॉर्ड समझ लिया जा सकता है। इसके अलावा, शोधकर्ताओं ने पाया कि भूमि डेटासेट का उच्च रिज़ॉल्यूशन हमेशा मददगार नहीं रहा। कुछ रेगिस्तानी और पहाड़ी क्षेत्रों में, महीन ग्रिड ने वास्तव में तापमान और आर्द्रता की रीडिंग में अधिक शोर (noise) पेश किया, विशेष रूप से रात के समय, बिना समग्र सटीकता में सुधार किए।

अंततः, अनुसंधान सुझाव देता है कि जबकि ये वैश्विक डेटासेट्स सामान्य जलवायु रुझानों के अध्ययन और AI मॉडल को प्रशिक्षित करने के लिए उत्कृष्ट उपकरण हैं, स्थानीय स्तर पर विशिष्ट, जीवन के लिए खतरा पैदा करने वाली मौसम की घटनाओं की भविष्यवाणी करते समय इनका उपयोग सावधानी के साथ किया जाना चाहिए। मॉडल टूटे हुए नहीं हैं, लेकिन वे परिदृश्य के सबसे छोटे विवरणों को देखने के लिए डिज़ाइन नहीं किए गए हैं। लेखक अनुशंसा करते हैं कि जो कोई भी प्रभाव अध्ययनों या AI सत्यापन के लिए इस डेटा का उपयोग कर रहा है, उसे "45 डिग्री से अधिक गर्म दिन" जैसे पूर्ण थ्रेशोल्ड के बजाय सापेक्ष चरम सीमाओं (relative extremes)—यानी स्थानीय औसत की तुलना में एक दिन कितना असामान्य है—पर ध्यान केंद्रित करना चाहिए। वे तटीय क्षेत्रों के पास कवरेज अंतराल की स्पष्ट रूप से जाँच करने और हवा और तापमान की प्राकृतिक परिवर्तनशीलता को ध्यान में रखते हुए त्रुटियों की रिपोर्ट करने की भी सलाह देते हैं। इन सीमाओं को समझकर, वैज्ञानिक और पूर्वानुमानकर्ता अतीत के डिजिटल मानचित्रों की बेहतर व्याख्या कर सकते हैं, जिससे यह सुनिश्चित हो सके कि मौसम की अगली पीढ़ी की भविष्यवाणियां दुनिया की जटिल वास्तविकता में जमी हुई रहें।