मौसम मॉडल जलवायु मॉडल के रूप में: एक सफल प्रयोग
AI मौसम मॉडल पहले से ही कई दिनों आगे के वायुमंडल का पूर्वानुमान लगाने में सक्षम हैं। लेकिन जलवायु दशकों के मौसम का आँकड़ा है, इसलिए मौसम एल्गोरिदम को जलवायु स्तर पर स्थानांतरित करना लंबे समय से जोखिम भरा माना जाता था। यदि मॉडल को केवल छोटी अवधि पर प्रशिक्षित किया गया है, तो एक, दस या तीस साल के सिमुलेशन के बाद क्या होगा? क्या यह अवास्तविक स्थिति में "बहाव" शुरू नहीं करेगा? arXiv पर हालिया प्रीप्रिंट के लेखकों ने इसे व्यवहार में परखने का फैसला किया, दो AI मॉडल — ArchesWeather और इसकी संभाव्य "बहन" ArchesWeatherGen — को परीक्षण के रूप में लेते हुए।
दोनों मॉडल दस-दिवसीय पूर्वानुमानों के लिए विकसित किए गए थे, और दोनों को पूरी तरह से अलग समय-पैमानों के अनुकूल होने के लिए गंभीरता से अनुकूलित करना पड़ा। इससे क्या निकला, यह नीचे दिया गया है।
पूर्वानुमान के दो दृष्टिकोण
दिलचस्प बात यह है कि मॉडल अलग-अलग तरीके से बनाए गए हैं। ArchesWeather — एक नियतात्मक प्रणाली है: प्रत्येक इनपुट के लिए इसका एक आउटपुट होता है। यह दृष्टिकोण तेज़ है, लेकिन वायुमंडल की संभावित अवस्थाओं की सीमा का अंदाजा नहीं देता है। ArchesWeatherGen — फ्लो-मैचिंग पर आधारित एक संभाव्य मॉडल है: यह एक ही उत्तर के बजाय संभावित मौसम परिदृश्यों का वितरण उत्पन्न करता है। साथ ही, यह अपनी पीढ़ी के आधार के रूप में ArchesWeather के पूर्वानुमानों का उपयोग करता है, जिससे एक ensemble बनाना संभव हो जाता है। बदले में, ensemble अनिश्चितता का आकलन देता है — जो मौसम और जलवायु दोनों में महत्वपूर्ण है।
मॉडल को जलवायु कार्यों के लिए कैसे अनुकूलित किया गया
यह उम्मीद करना भोलापन होगा कि एक मौसम मॉडल अपने आप जलवायु मॉडल बन जाएगा। जलवायु के लिए महासागर महत्वपूर्ण है: यह गर्मी जमा करता है और धीमी प्रक्रियाओं को नियंत्रित करता है। इसलिए, शोधकर्ताओं ने दोनों मॉडलों — ArchesWeather और ArchesWeatherGen — को सीमा स्थितियों के साथ अतिरिक्त इनपुट चैनल प्रदान किए। अब मॉडल समुद्री सतह के तापमान (SST) और समुद्री बर्फ की सांद्रता (SIC) के मासिक औसत प्राप्त करता है और नियमित रूप से उनके अनुसार वायुमंडलीय गतिशीलता को "समायोजित" करता है।
रन AIMIP के पहले चरण के मानकीकृत प्रोटोकॉल के अनुसार किए गए थे — प्रसिद्ध AMIP परियोजना के अनुरूप, लेकिन मशीन लर्निंग मॉडल के लिए। यह नियम विभिन्न AI मॉडलों की एक दूसरे के साथ और शास्त्रीय जलवायु मॉडल के साथ तुलना करने की अनुमति देता है। लेखकों ने एब्लेशन प्रयोग भी किए: उन्होंने अनुकूलन के अलग-अलग तत्वों को बंद कर दिया, यह समझने के लिए कि वास्तव में स्थिरता क्या देती है। इसके अतिरिक्त, forced कॉन्फ़िगरेशन, जहाँ महासागर बाहरी रूप से निर्धारित होता है, और unforced, जहाँ मॉडल बाहरी संदर्भ के बिना काम करता है, की तुलना की गई।
बहु-वर्षीय सिमुलेशन ने क्या दिखाया
तेजी से गिरावट की आशंकाएँ सही नहीं निकलीं। forced कॉन्फ़िगरेशन में, ArchesWeather और ArchesWeatherGen दोनों ने स्थिर बहु-वर्षीय रन प्रदर्शित किए: वार्षिक चक्र नष्ट नहीं होता है, जलवायु "विफलताओं" से बचा जा सकता है जो लंबे सिमुलेशन को मार देती हैं। मॉडल सफलतापूर्वक पुनरुत्पादित करते हैं:
- ERA5 रीएनालिसिस की बुनियादी जलवायु विज्ञान;
- वायुमंडल का बड़े पैमाने पर परिसंचरण;
- साल-दर-साल परिवर्तनशीलता;
- दुर्लभ, चरम स्थितियाँ — वितरण की पूँछ।
दूसरे शब्दों में, औसत संकेतक और मूल्यों का प्रसार न केवल समग्र रूप से, बल्कि चरम मामलों में भी प्रशंसनीय दिखता है। कई मापदंडों में, AI सिमुलेशन शास्त्रीय संख्यात्मक जलवायु मॉडल से कमतर नहीं हैं। यह अलग से नोट किया गया है कि forced कॉन्फ़िगरेशन unforced की तुलना में काफी बेहतर काम करते हैं: महासागर के "संकेतों" के बिना, त्रुटियाँ तेज़ी से जमा होती हैं।
निष्कर्ष
यह कार्य पुष्टि करता है: मशीन लर्निंग मॉडल, जो मूल रूप से मौसम पूर्वानुमान के लिए बनाए गए थे, जलवायु प्रयोगों के आधार के रूप में काम कर सकते हैं। इसके लिए बाहरी महासागरीय स्थितियों को जोड़ना और तुलना प्रोटोकॉल का सावधानीपूर्वक पालन करना पर्याप्त है। यह दीर्घकालिक सिमुलेशन प्राप्त करने का एक अपेक्षाकृत सस्ता और तेज़ तरीका है, हालाँकि शास्त्रीय मॉडल के पूर्ण प्रतिस्थापन से अभी भी दूर है — व्यापक जाँच की आवश्यकता है, विशेष रूप से क्षेत्रीय विवरण और चरम सीमाओं पर। लेकिन पहले कदम आशाजनक दिखते हैं।
