A geophysically constrained Transformer model for tropical cyclone track and intensity simulation over the western North Pacific and its contribution analysis

उष्णकटिबंधीय चक्रवात पृथ्वी पर सबसे शक्तिशाली और विनाशकारी बलों में से एक हैं, जो तटीय समुदायों पर भीषण हवाएं और मूसलाधार बारिश लाने के लिए गर्म समुद्री जल के ऊपर घूमते हुए बनते हैं। ये तूफान कहाँ जाएंगे और कितने शक्तिशाली बनेंगे, इसका सटीक पूर्वानुमान लगाना मौसमविदों के लिए एक निरंतर संघर्ष है। पारंपरिक तरीके जटिल भौतिकी के समीकरणों को हल करने वाले विशाल कंप्यूटर सिमुलेशन पर निर्भर करते हैं, लेकिन ये प्रणालियाँ धीमी हैं, इनके लिए अत्यधिक कंप्यूटिंग शक्ति की आवश्यकता होती है, और अक्सर तूफान के विकसित होने के साथ तेजी से अपडेट होने में संघर्ष करती हैं। हाल के वर्षों में, वैज्ञानिकों ने प्रक्रिया को तेज करने के लिए आर्टिफिशियल इंटेलिजेंस (कृत्रिम बुद्धिमत्ता) की ओर रुख किया है, जिसमें ऐतिहासिक मौसम डेटा में पैटर्न पहचानने के लिए कंप्यूटर प्रोग्राम को प्रशिक्षित किया जाता है। हालाँकि, इनमें से कई डिजिटल मॉडल 'ब्लैक बॉक्स' की तरह कार्य करते; वे भविष्यवाणियां तो कर सकते हैं, लेकिन वे यह स्पष्ट नहीं कर पाते कि उन्होंने वे भविष्यवाणियां क्यों कीं, और वे कभी-कभी उन मौलिक भौतिक नियमों की अनदेखी कर देते हैं जो एक तूफान के चलने और तीव्र होने को नियंत्रित करते हैं।

बीजिंग नॉर्मल यूनिवर्सिटी और मोनाश यूनिवर्सिटी के शोधकर्ताओं की एक टीम ने एक नया दृष्टिकोण विकसित किया है जो इस अंतर को पाटता है। उन्होंने एक परिष्कृत कंप्यूटर मॉडल बनाया है जो आधुनिक आर्टिफिशियल इंटेलिजेंस की पैटर्न-पहचानने की शक्ति को भू-भौतिकी (जियोफिजिक्स) के कठोर नियमों के साथ जोड़ता है। इस मॉडल को विशेष रूप से पश्चिमी उत्तरी प्रशांत महासागर के लिए डिज़ाइन किया गया है—जो दुनिया में उष्णकटिबंधीय चक्रवातों के लिए सबसे सक्रिय क्षेत्र है—यह दशकों के ऐतिहासिक तूफान के रिकॉर्ड और वायुमंडलीय डेटा से सीखता है। पिछले प्रयासों के विपरीत, जो तूफान को संख्याओं के एक साधारण क्रम के रूप में देखते थे, यह नया सिस्टम "जियोफिज़िकली कंस्ट्रेंड" (भू-भौतिकीय रूप से बाधित) है, जिसका अर्थ है कि यह तूफान और उसके वातावरण के बीच वास्तविक भौतिक संबंधों द्वारा निर्देशित है। शोधकर्ताओं ने अपने मॉडल का परीक्षण दो अन्य सामान्य प्रकार के पूर्वानुमान उपकरणों के विरुद्ध किया: एक जो समय के साथ डेटा के अनुक्रमों से सीखता है और दूसरा जो पिछले उदाहरणों के आधार पर निर्णय वृक्ष (डिसीजन ट्री) बनाता है। उनके परिणाम दर्शाते हैं कि तूफान की भौतिक वास्तविकता का सम्मान करके, उनका मॉडल एक उष्णकटिबंधीय चक्रवात के पथ और तीव्रता का अधिक सटीकता और स्थिरता के साथ पूर्वानुमान लगा सकता है, विशेष रूप से तूफान के जीवन के शुरुआती कुछ महत्वपूर्ण दिनों में।

शोधकर्ताओं ने पश्चिमी उत्तरी प्रशांत पर ध्यान केंद्रित किया, जो एक विशाल महासागरीय बेसिन है जहाँ हर साल दुनिया के एक तिहाई से अधिक उष्णकटिबंधीय चक्रवात बनते हैं, जो अक्सर पूर्वी एशिया के देशों के लिए खतरा पैदा करते हैं। अपने मॉडल को प्रशिक्षित करने के लिए, उन्होंने इसमें सूचनाओं का एक विशाल संग्रह डाला, जिसमें 1949 से 2024 तक के तूफानों के दर्ज पथ और तीव्रता के साथ-साथ उन तूफानों के आसपास की वायुमंडल और महासागरीय स्थितियों के विस्तृत विवरण शामिल थे। मॉडल ने तूफान की वर्तमान स्थिति—उसका स्थान, हवा की गति और केंद्रीय दबाव—और आसपास के वातावरण, जैसे समुद्र की सतह का तापमान और आकाश में विभिन्न ऊंचाइयों पर हवा के पैटर्न को देखना सीखा। फिर इसने इस जानकारी का उपयोग यह अनुमान लगाने के लिए किया कि तूफान भविष्य में कहाँ होगा और वह कितना शक्तिशाली होगा, जो कि 36 घंटों तक के लिए चरण-दर-चरण प्रक्रिया है।

जब टीम ने अपने नए मॉडल का परीक्षण किया, तो इसने तुलना के लिए उपयोग किए गए मानक उपकरणों को पछाड़ दिया। छह घंटे भविष्य के अल्पकालिक पूर्वानुमानों के लिए, मॉडल ने तूफान के स्थान की भविष्यवाणी लगभग 200 किलोमीटर के औसत अंतर के साथ की, जो अन्य तरीकों की तुलना में एक महत्वपूर्ण सुधार है। 36 घंटों तक आगे देखने पर भी, मॉडल ने उच्च स्तर की विश्वसनीयता बनाए रखी, जिसमें औसत त्रुटि लगभग 357 किलोमीटर थी। तीव्रता की भविष्यवाणी करने के मामले में, जिसे सबसे तेज निरंतर हवाओं की गति से मापा जाता है, मॉडल समान रूप से प्रभावशाली था। छह घंटे आगे के लिए, इसने केवल 2.59 मीटर प्रति सेकंड के औसत अंतर के साथ हवा की गति का अनुमान लगाया, और 36 घंटों में, यह त्रुटि बढ़कर 7.54 मीटर प्रति सेकंड हो गई। ये परिणाम अन्य मॉडलों की तुलना में उल्लेखनीय रूप से बेहतर थे, जिन्होंने स्थान और हवा की गति दोनों में बड़ी गलतियाँ की थीं, विशेष रूप से पूर्वानुमान के महत्वपूर्ण शुरुआती घंटों में।

इस कार्य को जो बात विशेष रूप से मूल्यवान बनाती है वह केवल इसकी सटीकता नहीं है, बल्कि इस बात की स्पष्टता भी है कि मॉडल अपने निष्कर्षों तक कैसे पहुँचता है। शोधकर्ताओं ने यह देखने के लिए कि कौन सी जानकारी सबसे अधिक मायने रखती है, आर्टिफिशियल इंटेलिजेंस की परतों को हटाने के लिए एक विधि का उपयोग किया। उन्होंने पाया कि मॉडल दो विशिष्ट कारकों पर बहुत अधिक निर्भर था: तूफान के केंद्र में वायु का दबाव और हवा की गति। इन दो तत्वों ने मॉडल की निर्णय लेने की शक्ति के आधे से अधिक हिस्से का प्रतिनिधित्व किया। यह बिल्कुल उसी के अनुरूप है जो मौसमविदों को लंबे समय से पता है: एक तूफान की तीव्रता उसके आंतरिक दबाव और पवन संरचना से मजबूती से जुड़ी होती है। मॉडल ने बड़े वायुमंडलीय पैटर्न और महासागरीय तापमान पर भी विचार किया, लेकिन वे सहायक भूमिकाओं के रूप में कार्य करते रहे, मुख्य चालक के बजाय। यह निष्कर्ष बताता है कि मॉडल केवल डेटा को याद नहीं कर रहा है, बल्कि वास्तव में तूफान के व्यवहार के भौतिक तर्क को सीख रहा है।

टीम ने जटिल स्थितियों को संभालने के लिए अपने सिस्टम का परीक्षण दो विशिष्ट, वास्तविक दुनिया के तूफानों पर भी किया। एक मामले में, खुले महासागर में निरंतर चलते हुए तूफान के लिए, मॉडल ने उसके पथ को उच्च सटीकता के साथ ट्रैक किया। दूसरे मामले में, तट के पास तेजी से तीव्र होने वाले तूफान में, मॉडल ने मजबूत होने के रुझान की सफलतापूर्वक पहचान की, हालांकि इसने चरम हवा की गति का थोड़ा कम अनुमान लगाया। इन वास्तविक दुनिया के परीक्षणों ने पुष्टि की कि मॉडल बिना किसी अनियमित या अवास्तविक उछाल के विविध स्थितियों को संभाल सकता है। हालांकि मॉडल पूर्ण नहीं है और अभी भी सबसे चरम और तेजी से बदलने वाले तूफानों के साथ चुनौतियाँ बनी हुई हैं, फिर भी यह एक महत्वपूर्ण प्रगति का प्रतिनिधित्व करता है। आर्टिफिशियल इंटेलिजेंस की गति को भौतिक विज्ञान की विश्वसनीयता के साथ जोड़कर, यह नया उपकरण प्रारंभिक चेतावनियों में सुधार करने और उन शक्तिशाली तूफानों के लिए समुदायों को तैयार करने में मदद करने का एक आशाजनक तरीका प्रदान करता है जो उनके किनारों के लिए खतरा पैदा करते हैं।