আবহাওয়ার মডেল জলবায়ু মডেল হিসেবে: একটি সফল পরীক্ষা
আবহাওয়ার এআই মডেলগুলো ইতিমধ্যেই আত্মবিশ্বাসের সাথে কয়েক দিন আগে পর্যন্ত বায়ুমণ্ডলের পূর্বাভাস দিতে পারে। কিন্তু জলবায়ু হলো কয়েক দশকের আবহাওয়ার পরিসংখ্যান, তাই আবহাওয়ার অ্যালগরিদমকে জলবায়ুর ক্ষেত্রে স্থানান্তর করা দীর্ঘদিন ধরে ঝুঁকিপূর্ণ বলে বিবেচিত হতো। যদি মডেলটি শুধুমাত্র স্বল্প সময়ের উপর প্রশিক্ষিত হয়, তাহলে এক বছর, দশ বছর বা ত্রিশ বছরের সিমুলেশনের পরে কী হবে? এটি কি অবাস্তব অবস্থার দিকে "বহির্গত" হতে শুরু করবে না? arXiv-এ সাম্প্রতিক একটি প্রিপ্রিন্টের লেখকরা এটি বাস্তবে পরীক্ষা করার সিদ্ধান্ত নিয়েছেন, পরীক্ষার বিষয় হিসেবে দুটি এআই মডেল — ArchesWeather এবং এর সম্ভাব্যতাভিত্তিক "বোন" ArchesWeatherGen — গ্রহণ করেছেন।
দুটি মডেলই দশ দিনের পূর্বাভাসের জন্য তৈরি করা হয়েছিল, এবং দুটিকেই সম্পূর্ণ ভিন্ন সময়ের স্কেলের সাথে খাপ খাওয়ানোর জন্য গুরুত্ব সহকারে পরিবর্তন করতে হয়েছিল। এর ফলাফল কী হয়েছে, তা নিচে বর্ণনা করা হলো।
পূর্বাভাসের দুটি পদ্ধতি
মজার বিষয় হলো, মডেল দুটি ভিন্নভাবে গঠন করা হয়েছে। ArchesWeather — একটি নির্ধারক (ডিটারমিনিস্টিক) সিস্টেম: প্রতিটি ইনপুটের জন্য এটির একটি আউটপুট রয়েছে। এই পদ্ধতিটি দ্রুত, কিন্তু বায়ুমণ্ডলের সম্ভাব্য অবস্থার পরিসর সম্পর্কে ধারণা দেয় না। ArchesWeatherGen — ফ্লো-ম্যাচিংয়ের উপর ভিত্তি করে একটি সম্ভাব্যতাভিত্তিক মডেল: এটি একটি একক উত্তর তৈরি করে না, বরং সম্ভাব্য আবহাওয়ার পরিস্থিতির একটি বণ্টন তৈরি করে। এটি তার জেনারেশনের ভিত্তি হিসেবে ArchesWeather-এর পূর্বাভাস ব্যবহার করে, যা একটি ensemble গঠন করতে দেয়। ensemble, ঘুরে, অনিশ্চয়তার একটি মূল্যায়ন দেয় — যা আবহাওয়া এবং জলবায়ু উভয় ক্ষেত্রেই গুরুত্বপূর্ণ।
কীভাবে মডেলগুলোকে জলবায়ু কাজের সাথে খাপ খাওয়ানো হয়েছিল
এটা ভাবা নির্বোধ হবে যে একটি আবহাওয়ার মডেল নিজে থেকেই জলবায়ু মডেলে পরিণত হবে। জলবায়ুর জন্য মহাসাগর অত্যন্ত গুরুত্বপূর্ণ: এটি তাপ সঞ্চয় করে এবং ধীর গতির প্রক্রিয়াগুলি নিয়ন্ত্রণ করে। তাই গবেষকরা উভয় মডেল — ArchesWeather এবং ArchesWeatherGen — কে সীমানা অবস্থার সাথে অতিরিক্ত ইনপুট চ্যানেল সরবরাহ করেছেন। এখন মডেলটি সমুদ্রপৃষ্ঠের গড় মাসিক তাপমাত্রা (SST) এবং সমুদ্রের বরফের ঘনত্ব (SIC) পায় এবং নিয়মিতভাবে তাদের সাথে বায়ুমণ্ডলীয় গতিশীলতাকে "সামঞ্জস্য" করে।
রানগুলো AIMIP-এর প্রথম পর্বের একটি প্রমিত প্রোটোকল অনুসারে সম্পাদিত হয়েছিল — যা সুপরিচিত AMIP প্রকল্পের একটি অ্যানালগ, তবে মেশিন লার্নিং মডেলগুলির জন্য। এই জাতীয় নিয়ম বিভিন্ন এআই মডেলকে একে অপরের সাথে এবং ক্লাসিক্যাল জলবায়ু মডেলগুলির সাথে তুলনা করার অনুমতি দেয়। লেখকরা অ্যাবলেশন পরীক্ষাও পরিচালনা করেছেন: অভিযোজনের পৃথক উপাদানগুলি বন্ধ করে দিয়েছেন যাতে বোঝা যায় যে স্থিতিশীলতা ঠিক কী দেয়। অতিরিক্তভাবে, বাধ্যতামূলক (forced) কনফিগারেশন, যেখানে মহাসাগর বাইরে থেকে নির্ধারিত, এবং মুক্ত (unforced) কনফিগারেশন, যেখানে মডেলটি বাহ্যিক সংযোগ ছাড়াই কাজ করে, তুলনা করা হয়েছিল।
বহু বছরের সিমুলেশন কী দেখিয়েছে
দ্রুত অবনতির আশঙ্কা সত্য হয়নি। বাধ্যতামূলক কনফিগারেশনে, ArchesWeather এবং ArchesWeatherGen উভয়ই স্থিতিশীল বহু বছরের রান প্রদর্শন করেছে: বার্ষিক চক্র ভেঙে যায় না, এবং জলবায়ুগত "ব্যর্থতা" যা দীর্ঘ সিমুলেশনকে ধ্বংস করে, তা এড়ানো সম্ভব হয়েছে। মডেলগুলো সফলভাবে পুনরুত্পাদন করে:
- ERA5 রিঅ্যানালাইসিসের মৌলিক জলবায়ুবিদ্যা;
- বায়ুমণ্ডলের বৃহৎ পরিসরের সঞ্চালন;
- বছর থেকে বছরে পরিবর্তনশীলতা;
- বিরল, চরম অবস্থা — বণ্টনের লেজ।
অন্য কথায়, গড় সূচক এবং মানের বিস্তার শুধুমাত্র সামগ্রিকভাবে নয়, চরম ক্ষেত্রেও বিশ্বাসযোগ্য দেখায়। বেশ কয়েকটি পরামিতিতে, এআই সিমুলেশনগুলি ক্লাসিক্যাল সংখ্যাসূচক জলবায়ু মডেলগুলির থেকে নিকৃষ্ট নয়। আলাদাভাবে উল্লেখ করা হয়েছে যে বাধ্যতামূলক কনফিগারেশনগুলি মুক্ত কনফিগারেশনগুলির তুলনায় লক্ষণীয়ভাবে ভাল কাজ করে: মহাসাগরের "ইঙ্গিত" ছাড়া ত্রুটিগুলি দ্রুত জমা হয়।
উপসংহার
কাজটি নিশ্চিত করে: মেশিন লার্নিং মডেল, যা মূলত আবহাওয়ার পূর্বাভাসের জন্য তৈরি, জলবায়ু পরীক্ষার ভিত্তি হিসাবে কাজ করতে পারে। এর জন্য বাহ্যিক মহাসাগরীয় অবস্থা যোগ করা এবং তুলনা প্রোটোকল সাবধানে অনুসরণ করা যথেষ্ট। এটি দীর্ঘমেয়াদী সিমুলেশন পাওয়ার একটি অপেক্ষাকৃত সস্তা এবং দ্রুত উপায়, যদিও ক্লাসিক্যাল মডেলগুলির সম্পূর্ণ প্রতিস্থাপন এখনও অনেক দূরে — আরও বিস্তৃত পরীক্ষা প্রয়োজন, বিশেষ করে আঞ্চলিক বিবরণ এবং চরম অবস্থার উপর। তবে প্রথম পদক্ষেপগুলি আশাব্যঞ্জক দেখাচ্ছে।
