Quasi-global, land-only, high-resolution and spatially averaged climate variables from downscaled CMIP6 models for climate impact research

आने वाले दशकों में जलवायु कैसे बदलेगी, इसे समझने के लिए वैज्ञानिक विशाल कंप्यूटर सिमुलेशन पर भरोसा करते हैं जिन्हें ग्लोबल क्लाइमेट मॉडल (global climate models) कहा जाता है। ये प्रोग्राम पृथ्वी के 'डिजिटल ट्विन' (digital twins) के रूप में कार्य करते हैं, जो भविष्य के मौसम के पैटर्न की भविष्यवाणी करने के लिए वायुमंडल, महासागरों और भूमि के जटिल नृत्य का अनुकरण करते हैं। हालाँकि, इन मॉडलों में एक बड़ी कमी है: वे बड़ी तस्वीर देखने के लिए बने हैं, विवरणों के लिए नहीं। क्योंकि पृथ्वी बहुत विशाल है, ये मॉडल ग्रह को बड़े, मोटे ग्रिड वर्गों (grid squares) में विभाजित करते हैं, जो अक्सर सैकड़ों मील तक फैले होते हैं। प्रत्येक वर्ग के भीतर, मॉडल औसत तापमान या वर्षा की गणना करता है, जिससे उन पहाड़ियों, घाटियों और तटरेखाओं की सूक्ष्मता दब जाती है जो वास्तविक दुनिया के मौसम को विशिष्ट बनाती हैं। किसी विशेष घाटी में रहने वाले किसान के लिए या किसी विशेष शहर में बीमारी के प्रकोप की योजना बनाने वाले सार्वजनिक स्वास्थ्य अधिकारी के लिए, यह व्यापक औसत पर्याप्त नहीं है। उन्हें यह जानने की आवश्यकता है कि उनके अपने दरवाजे पर मौसम कैसा रहेगा, न कि केवल एक महाद्वीप के आकार के क्षेत्र के लिए।

वैश्विक भविष्यवाणियों और स्थानीय वास्तविकता के बीच का यह अंतर एक नए डेटासेट द्वारा संबोधित किया गया अनूភាព चुनौती है, जिसे इंपीरियल कॉलेज लंदन और लीड्स विश्वविद्यालय के शोधकर्ताओं द्वारा विकसित किया गया है। टीम ने इन मोटे, वैश्विक जलवायु मॉडलों को उच्च-रिज़ॉल्यूशन वाले मानचित्रों में बदलने का एक तरीका विकसित किया है जो केवल कुछ मील के पैमाने पर दैनिक मौसम परिवर्तनों को दिखाते हैं। उनका कार्य दुनिया के उष्णकटिबंधीय (tropical) क्षेत्रों पर केंद्रित है, जहाँ जलवायु परिवर्तनशीलता अधिक है और जहाँ कई संक्रामक रोग पनपते हैं। इतने विस्तृत क्षेत्र के लिए पहले उपलब्ध नहीं रहे विवरण के स्तर तक डेटा को परिष्कृत करके, उन्होंने एक ऐसा उपकरण प्रदान किया है जो शोधकर्ताओं को एक गर्म होती दुनिया के बारे में सामान्य चेतावनियों से हटकर विशिष्ट समुदायों के लिए सटीक पूर्वानुमानों की ओर बढ़ने की अनुमति देता है।

शोधकर्ताओं ने छह अलग-अलग वैश्विक जलवायु मॉडलों से शुरुआत की, जो वैज्ञानिकों द्वारा मानवीय गतिविधियों के विभिन्न परिदृश्यों के तहत भविष्य की जलवायु स्थितियों का अनुमान लगाने के लिए उपयोग किए जाने वाले प्रमुख उपकरण हैं। ये मॉडल दो अलग-अलग पथों पर चलते हैं: एक मध्यम भविष्य का प्रतिनिधित्व करता है जहाँ उत्सर्जन को नियंत्रित किया गया है, और दूसरा उच्च-उत्सर्जन वाले भविष्य का जहाँ जीवाश्म ईंधन का उपयोग जारी रहता है। इन मॉडलों का कच्चा आउटपुट (raw output) 1985 से 2100 की अवधि को कवर करता है, लेकिन डेटा बहुत मोटा है और इसमें व्यवस्थित त्रुटियां (systematic errors) हैं। उदाहरण के लिए, एक मॉडल लगातार यह भविष्यवाणी कर सकता है कि किसी विशिष्ट क्षेत्र में वास्तविक स्थिति की तुलना में यह थोड़ा अधिक गर्म या अधिक गीला है। इसे ठीक करने के लिए, टीम ने 'डबल बायस-करेक्टेड कंस्ट्रक्टेड एनालॉग्स' (Double Bias-Corrected Constructed Analogues) नामक एक परिष्कृत सांख्यिकीय तकनीक लागू की। यह विधि वैश्विक मॉडलों की तुलना वास्तविक दुनिया के अवलोकनों के साथ करती है जो पहले ही घटित हो चुके हैं। यह अनिवार्य रूप से मॉडल से यह पूछती है कि क्या उसने अतीत के उन दिनों को देखा है जो वर्तमान स्थितियों के समान थे और उन वास्तविक ऐतिहासिक पैटर्न का उपयोग करके मॉडल की गलतियों को सुधारा जाए। यह प्रक्रिया न केवल त्रुटियों को ठीक करती है बल्कि छूटे हुए विवरणों को भी भर देती है, जिससे दैनिक तापमान, आर्द्रता और वर्षा का एक उच्च-रिज़ॉल्यूशन वाला चित्र तैयार होता है।

परिणामस्वरूप, भूमध्य रेखा के 60 डिग्री उत्तर और 60 डिग्री दक्षिण के बीच बारह भूमि-आधारित क्षेत्रों को कवर करने वाला डेटा का एक विशाल संग्रह प्राप्त हुआ, जो दुनिया के अधिकांश उष्णकटिबंधीय और उपोष्णकटिबंधीय क्षेत्रों को समाहित करता है। डेटा 0.1 डिग्री के रिज़ॉल्यूशन पर प्रदान किया गया है, जिसका अर्थ है लगभग छह मील चौड़ा ग्रिड वर्ग। यह पिछले डेटासेट्स की तुलना में एक महत्वपूर्ण सुधार है, जो अक्सर 15 AU या उससे अधिक के वर्गों का उपयोग करते थे। टीम ने तापमान के दैनिक अधिकतम और न्यूनतम, आर्द्रता के स्तर और कुल वर्षा सहित छह प्रमुख चरों के लिए दैनिक मौसम रिकॉर्ड तैयार किए। उन्होंने ऐतिहासिक अवधि (1985 से 2014) और भविष्य की अवधि (2015 से 2100) दोनों को कवर किया ताकि यह सुनिश्चित हो सके कि विधि काम करती है और भविष्य के अनुमान दिए जा सकें। महत्वपूर्ण रूप से, वे केवल विस्तृत मानचित्र बनाने तक ही नहीं रुके। यह समझते हुए कि कई निर्णय लेने वालों को ऐसे डेटा की आवश्यकता होती है जो ग्रिड वर्गों के बजाय राजनीतिक सीमाओं के अनुरूप हो, उन्होंने इस जानकारी को एकत्रित (aggregate) भी किया। उन्होंने 110 देशों और उनके उप-क्षेत्रों के लिए औसत मौसम संबंधी स्थितियाँ निकालीं, जिसमें उन्होंने उन स्थानों को भार (weighting) दिया जहाँ लोग वास्तव में रहते हैं। इसका अर्थ है कि डेटा जनसंख्या द्वारा अनुभव किए जाने वाले जलवायु को दर्शाता है, न कि केवल खाली भूमि को, जिससे यह स्वास्थ्य हस्तक्षेपों और संसाधन प्रबंधन के लिए सीधे उपयोगी बन जाता है।

अपने कार्य की गुणवत्ता सुनिश्चित करने के लिए, शोधकर्ताओं ने नए डेटा का वास्तविक दुनिया के अवलोकनों के विरुद्ध कड़ाई से परीक्षण किया। उन्होंने 1985 से 2014 तक के डाउनस्केल्ड ऐतिहासिक डेटा की तुलना उपग्रहों और जमीनी स्टेशनों के वास्तविक मौसम रिकॉर्ड से की। परिणामों ने कच्चे मॉडलों की तुलना में नाटकीय सुधार दिखाया। मूल मॉडलों में अक्सर बड़ी त्रुटियां थीं, कभी-कभी तापमान कई डिग्री कम या ज्यादा बताना या वर्षा की मात्रा को पूरी तरह से गलत बताना। सुधार प्रक्रिया के बाद, ये त्रुटियां काफी कम हो गईं। नया डेटा वास्तविक दुनिया के मौसमी चक्रों से बहुत करीब से मेल खाता था, जो वर्षा ऋतु के समय और हीट वेव्स की तीव्रता को बहुत अधिक सटीकता के साथ पकड़ता है। टीम ने यह भी जांचा कि डेटा चरम घटनाओं (extreme events), जैसे भारी बारिश या खतरनाक रूप से उच्च तापमान वाले दिनों का कितनी अच्छी तरह प्रतिनिधित्व करता है। उन्होंने पाया कि संशोधित डेटा ने इन चरम दिनों की आवृत्ति को सफलतापूर्वक पुनरुत्पादित किया, जो बाढ़ या हीट स्ट्रेस जैसे जोखिमों के आकलन के लिए एक महत्वपूर्ण कारक है।

भविष्य के अनुमानों को देखते हुए, शोधकर्ताओं ने पाया कि जलवायु परिवर्तन की सामान्य दिशा कच्चे मॉडलों के अनुरूप ही रही, लेकिन विवरण बहुत स्पष्ट थे। भविष्य के परिदृश्यों में, डेटा ने क्षेत्र में गर्म होने के रुझान को दिखाया, लेकिन उच्च-रिज़ॉल्यूशन वाले मानचित्रों ने खुलासा किया कि यह गर्मी विभिन्न परिदृश्यों में कैसे भिन्न होती है। उदाहरण के लिए, एंडीज जैसे पर्वतीय क्षेत्रों में, कच्चे मॉडल जटिल भूभाग का प्रतिनिधित्व करने में संघर्ष करते थे, जिससे अक्सर अद्वितीय जलवायु पैटर्न दब जाते थे। नया डेटा इन क्षेत्रों को स्पष्ट रूप से दिखाता है, जिससे पता चलता है कि इन ऊंचे क्षेत्रों में गर्मी का संकेत आसपास के निचले इलाकों की तुलना में वास्तव में कम तीव्र है। इसी तरह, वर्षा के लिए, नए डेटा ने दिखाया कि जबकि गीली या सूखी स्थितियों के व्यापक रुझान सुरक्षित रहे, स्थानीय पैटर्न कच्चे मॉडलों के सुझाव की तुलना में कहीं अधिक जटिल थे। कुछ तटीय और पर्वतीय क्षेत्रों में, नए डेटा ने यहाँ तक दिखाया कि परिवर्तन की दिशा कच्चे मॉडलों की तुलना में भिन्न थी, जो यह उजागर करता है कि स्थानीय भूगोल कैसे वैश्विक जलवायु परिवर्तनों के प्रभाव को बदल सकता है।

शोधकर्ता सावधानीपूर्वक नोट करते हैं कि हालांकि यह डेटासेट एक बड़ी प्रगति है, लेकिन यह कोई पूर्ण 'क्रिस्टल बॉल' (भविष्य बताने वाला यंत्र) नहीं है। यह विधि इस धारणा पर निर्भर करती है कि बड़े पैमाने पर मौसम के पैटर्न और स्थानीय स्थितियों के बीच का संबंध भविष्य में भी समान रहेगा, एक ऐसी धारणा जो तब बदल सकती है जब जलवायु में भारी बदलाव आए। इसके अलावा, नए डेटा की सटीकता उन वास्तविक दुनिया के अवलोकनों की गुणवत्ता पर बहुत अधिक निर्भर करती जिनका उपयोग मॉडलों को सुधारने के लिए किया गया है। कुछ दूरदराज के क्षेत्रों में, जहाँ मौसम केंद्र कम हैं, वहाँ अभी भी अनिश्चितता बनी हुई है। हालाँकि, टीम ने प्रदर्शित किया है कि उनका दृष्टिकोण मूल मॉडलों में पाई जाने वाली व्यवस्थित त्रुटियों को सफलतापूर्वक हटा देता है और दैनिक मौसम पैटर्न का अधिक यथार्थवादी दृश्य प्रदान करता है। इस डेटा को उपयोग में आसान प्रारूपों में मुफ्त रूप से उपलब्ध कराकर, उन्होंने वैज्ञानिकों और नीति निर्माताओं के लिए एक बड़ी बाधा को दूर कर दिया है। यह संसाधन शोधकर्ताओं को इस बात के अधिक सटीक मॉडल बनाने की अनुमति देता है कि बीमारियाँ कैसे फैलती हैं, फसलें कैसी होंगी और जल संसाधन कैसे बदलेंगे, जिससे व्यापक जलवायु चेतावनियों को कार्रवाई योग्य, स्थानीय ज्ञान में बदला जा सके।