সাম্প্রতিক জলবায়ু পরিবর্তনের কতটা প্রকৃতির নিজের দোলাচল?

আমরা যে-কোনো জলবায়ু প্রবণতা দেখি, তা দুটি জিনিসের যোগফল। একটি হলো বাধ্য প্রতিক্রিয়া (forced response): গ্রিনহাউস গ্যাস, অ্যারোসল, ভূমি ব্যবহার আর আগ্নেয়গিরির অগ্ন্যুৎপাতের ঠেলায় ঘটা পরিবর্তন। অন্যটি হলো অভ্যন্তরীণ পরিবর্তনশীলতা (internal variability): জলবায়ুর নিজস্ব দোলাচল, যেমন এল নিনো বা প্রশান্ত ও আটলান্টিক মহাসাগরের ধীর দোলন। এদের আলাদা করে চেনা জরুরি, জলবায়ু পরিবর্তন বোঝার জন্যও, আবার জলবায়ু মডেলগুলো ঠিক আছে কি না তা বিচার করার জন্যও।

সমস্যা হলো, বাস্তবতা চলে মাত্র একবার। জলবায়ু মডেল একই বাহ্যিক প্রভাব দিয়ে কয়েক ডজন বার চালানো যায়, আর সেই রানগুলোর গড় বাধ্য অংশটিকে প্রকাশ করে। কিন্তু মডেলের পক্ষপাত থাকে, আর সহজ পরিসংখ্যানগত কৌশলগুলো সাধারণত ধরে নেয় যে বাধ্য নকশাটি কখনো বদলায় না। এমন পদ্ধতিগুলোর একটি সাম্প্রতিক আন্তর্জাতিক তুলনায় দেখা গেছে, ত্রুটি বড়ই থেকে গেছে — আর মেশিন লার্নিং পদ্ধতিগুলো প্রচলিত পরিসংখ্যানের চেয়ে ভালো করেনি।

গবেষণাপত্রটি একটি সতর্কতামূলক উদাহরণ দেয়: 1998 থেকে 2012-র মধ্যে বৈশ্বিক উষ্ণায়নের ধীর হয়ে যাওয়াকে প্রথমে এই লক্ষণ হিসেবে পড়া হয়েছিল যে মানুষের কারণে উষ্ণায়ন কমছে এবং মডেলগুলো ভুল, পরে তা অভ্যন্তরীণ পরিবর্তনশীলতা বলে স্বীকৃত হয়।

যে নেটওয়ার্ক কোলাহল চিনতে শেখে

প্যাসিফিক নর্থওয়েস্ট ন্যাশনাল ল্যাবরেটরি এবং ক্যালিফোর্নিয়া বিশ্ববিদ্যালয়, সান দিয়েগো ও ওয়াশিংটন বিশ্ববিদ্যালয়ের পার্বতী কুলোথ, ওয়েনইউ ঝৌ ও তাঁদের সহকর্মীরা একটি ConvLSTM তৈরি করেছেন, এটি এমন এক নিউরাল নেটওয়ার্ক যা স্থানিক নকশার বোধকে সেগুলো কীভাবে বদলায় তার স্মৃতির সঙ্গে মেলায়। তাঁরা একে 15টি জলবায়ু মডেলের সিমুলেশনের বড় বড় সমষ্টিতে প্রশিক্ষণ দিয়েছেন, ব্যবহার করেছেন ভূপৃষ্ঠের তাপমাত্রা, বৃষ্টিপাত আর সমুদ্রপৃষ্ঠের বায়ুচাপের মানচিত্র। এর কাজ ছিল প্রাকৃতিক দোলাচল চেনা; যা বাকি থাকে, সেটাই বাধ্য অংশ।

যে মডেলগুলো সে আগে দেখেনি, সেগুলোতে পরীক্ষা করলে ঐতিহাসিক সময়কালের বেশিরভাগ অংশ জুড়ে তাপমাত্রা, বৃষ্টিপাত ও চাপের ক্ষেত্রে সে ছয়টি প্রচলিত পদ্ধতিকে ছাড়িয়ে গেছে — একটিমাত্র ব্যতিক্রম ছাড়া, একটি সিমুলেশন যাকে লেখকেরা অবাস্তব ব্যতিক্রমী বলে মনে করেন। বাস্তব পৃথিবীর জন্য, নেটওয়ার্কের দশটি সংস্করণ, যার প্রতিটি দশটি মডেলের ভিন্ন ভিন্ন সমষ্টিতে প্রশিক্ষিত, 1940 থেকে পর্যবেক্ষিত জলবায়ুর ওপর প্রয়োগ করা হয়েছে।

বাস্তব রেকর্ডে সে কী খুঁজে পায়

1998–2012-র উষ্ণায়নের ধীরগতি প্রাকৃতিক পরিবর্তনশীলতা হিসেবে উঠে আসে, যেমনটা পরবর্তী গবেষণাগুলো সিদ্ধান্তে পৌঁছেছিল। বৈশ্বিক তাপমাত্রার প্রাকৃতিক অংশ প্রশান্ত মহাসাগরের ধীর দোলনকে ঘনিষ্ঠভাবে অনুসরণ করে।
আর্কটিক। পর্যবেক্ষিত আর্কটিক উষ্ণায়ন সম্প্রতি বৈশ্বিক হারের প্রায় চার গুণে পৌঁছেছে। নেটওয়ার্কের হিসাবে, বাধ্য অংশটি প্রায় স্থির থাকে, মোটামুটি তিন গুণে। বাকিটা করেছে প্রাকৃতিক দোলাচল: প্রশান্ত মহাসাগর বৈশ্বিক উষ্ণায়নকে আটকে রেখেছিল, আর আর্কটিকের নিজের একটি আঞ্চলিক দোলাচল — একটি আর্কটিক পরিবর্তনশীলতার ধরন — সেখানে উষ্ণায়ন বাড়িয়ে দিয়েছিল, বিশেষ করে 2005–2020-এ।
আটলান্টিক। উত্তর ও দক্ষিণ আটলান্টিকের মধ্যে তাপমাত্রার পার্থক্য 1950 থেকে V আকৃতি অনুসরণ করেছে। বাধ্য অংশটিও নামে আর ওঠে, উত্তর গোলার্ধে অ্যারোসল দূষণের বৃদ্ধি ও পরে হ্রাসের সঙ্গে মিল রেখে। প্রাকৃতিক পরিবর্তনশীলতা এই দোলনকে বাড়িয়ে তুলেছিল, তৈরি করেছিল 1970 ও 1980-র দশকের গভীর খাদ।
প্রশান্ত মহাসাগর ও মার্কিন দক্ষিণ-পশ্চিম। 1980 থেকে পূর্ব নিরক্ষীয় প্রশান্ত মহাসাগর পশ্চিমের চেয়ে কম উষ্ণ হয়েছে, একটি “লা নিনা-সদৃশ” নকশা যা মডেলগুলো কমই পুনরুৎপাদন করতে পারে। নেটওয়ার্ক বলে, শুধু বাধ্য প্রতিক্রিয়া একটি দুর্বল, বিপরীত “এল নিনো-সদৃশ” নকশা তৈরি করত; প্রাকৃতিক পরিবর্তনশীলতা তাকে উল্টে দিয়েছে। উত্তর-পূর্ব প্রশান্ত মহাসাগরের ওপর উচ্চচাপের জোরালো হওয়া এবং উত্তর আমেরিকার দক্ষিণ-পশ্চিমের শুকিয়ে যাওয়ার ক্ষেত্রেও একই কথা: মূলত প্রাকৃতিক, বাধ্য অংশের ভাগ সামান্য।

এর বেশ কয়েকটি বৈশিষ্ট্যের ক্ষেত্রে, 1980–2022 সময়ে পর্যবেক্ষিত প্রবণতা আনুমানিক বাধ্য প্রতিক্রিয়ার পরিসরের বাইরে পড়ে — যা মনে করিয়ে দেয় যে একটিমাত্র ঐতিহাসিক প্রবণতা মানুষ কী ঘটিয়েছে তার দুর্বল নির্দেশক হতে পারে।

মডেলগুলোর পরীক্ষা

যেহেতু নেটওয়ার্কটি বাধ্য অংশের একটি স্পষ্ট অনুমান দেয়, তাই একে সরাসরি মডেলের সিমুলেশনের সঙ্গে তুলনা করা যায়। মোটা দাগের নকশাগুলো মেলে: স্থলভাগে ও উচ্চ অক্ষাংশে বেশি উষ্ণায়ন, উপমেরু উত্তর আটলান্টিক ও দক্ষিণ মহাসাগরে কম; ক্রান্তীয় অঞ্চল ও উচ্চ অক্ষাংশ বেশি আর্দ্র, উপক্রান্তীয় অঞ্চল বেশি শুষ্ক। কিন্তু মডেলগুলো উত্তর গোলার্ধকে বেশি উষ্ণ করে, উপক্রান্তীয় উচ্চচাপকে কম জোরালো করে, আর স্থলভাগকে কম শুকায়। লেখকদের মতে, বর্তমান মডেলগুলো হয়তো কম করে ধরছে যে বদলে যাওয়া বাতাস মহাদেশগুলোকে কতটা শুকিয়ে দেবে।

সীমাবদ্ধতাগুলো তাঁরা নিজেরাই তালিকাভুক্ত করেছেন। নেটওয়ার্কটি মডেল থেকে শেখে, তাই সব মডেলের মধ্যে থাকা একটি সাধারণ পক্ষপাত তাকে বিভ্রান্ত করতে পারে। এটি কেন এত ভালো কাজ করে, তার ভেতরে দেখে তা বোঝা কঠিন। আর এটি ধরে নেয় যে সীমিত সংখ্যক সিমুলেশনের গড়ই প্রকৃত বাধ্য প্রতিক্রিয়া। লেখকদের উপসংহার, এই সীমার মধ্যে মেশিন লার্নিং অতীতের জলবায়ু পরিবর্তনের কারণ নির্ধারণকে আরও মজবুত — এবং মডেলের পরীক্ষাকে আরও ধারালো — করে তুলতে পারে।