हाल के जलवायु परिवर्तन का कितना हिस्सा प्रकृति के अपने उतार-चढ़ाव का है?

हम जो भी जलवायु रुझान देखते हैं, वह दो चीज़ों का योग होता है। एक है बाध्य प्रतिक्रिया (forced response): ग्रीनहाउस गैसों, एरोसोल, भूमि उपयोग और ज्वालामुखी विस्फोटों द्वारा धकेला गया परिवर्तन। दूसरी है आंतरिक परिवर्तनशीलता (internal variability): जलवायु के अपने उतार-चढ़ाव, जैसे एल नीनो या प्रशांत और अटलांटिक महासागरों के धीमे दोलन। इन्हें अलग-अलग पहचानना ज़रूरी है, जलवायु परिवर्तन को समझने के लिए भी और यह आँकने के लिए भी कि जलवायु मॉडल सही हैं या नहीं।

मुश्किल यह है कि वास्तविकता केवल एक बार चलती है। जलवायु मॉडलों को एक ही बाहरी दबाव के साथ दर्जनों बार चलाया जा सकता है, और उन रनों का औसत बाध्य हिस्से को उजागर करता है। लेकिन मॉडलों में पूर्वाग्रह होते हैं, और सरल सांख्यिकीय तरकीबें प्रायः मान लेती हैं कि बाध्य पैटर्न कभी नहीं बदलता। ऐसे तरीक़ों की हाल की एक अंतरराष्ट्रीय तुलना में पाया गया कि त्रुटियाँ बड़ी बनी रहीं — और मशीन लर्निंग के तरीक़े पारंपरिक सांख्यिकी से बेहतर नहीं थे।

शोधपत्र एक सबक़ देने वाला उदाहरण देता है: 1998 से 2012 के बीच ग्लोबल वार्मिंग की रफ़्तार में आई सुस्ती को पहले इस संकेत के रूप में पढ़ा गया कि मानव-जनित तापन धीमा हो रहा है और मॉडल ग़लत हैं, बाद में जाकर इसे आंतरिक परिवर्तनशीलता माना गया।

एक नेटवर्क जो शोर को पहचानना सीखता है

पैसिफ़िक नॉर्थवेस्ट नेशनल लेबोरेटरी और कैलिफ़ोर्निया विश्वविद्यालय, सैन डिएगो तथा वॉशिंगटन विश्वविद्यालय के पार्वती कूलोथ, वेन्यू झोउ और उनके सहयोगियों ने एक ConvLSTM बनाया, यानी ऐसा न्यूरल नेटवर्क जो स्थानिक पैटर्नों की समझ को उनके विकास की स्मृति के साथ जोड़ता है। उन्होंने इसे 15 जलवायु मॉडलों के सिमुलेशन के बड़े समूहों पर प्रशिक्षित किया, जिसमें सतह के तापमान, वर्षा और समुद्र-तल दाब के मानचित्रों का उपयोग हुआ। इसका काम था प्राकृतिक उतार-चढ़ाव को पहचानना; जो बचता है, वह बाध्य हिस्सा है।

जिन मॉडलों को इसने कभी नहीं देखा था, उन पर परखे जाने पर इसने ऐतिहासिक काल के अधिकांश हिस्से में तापमान, वर्षा और दाब के लिए छह मौजूदा तरीक़ों को पीछे छोड़ दिया — केवल एक अपवाद के साथ, एक ऐसा सिमुलेशन जिसे लेखक अवास्तविक अपवाद मानते हैं। वास्तविक दुनिया के लिए, नेटवर्क के दस संस्करण, जिनमें से हर एक को दस मॉडलों के अलग समूह पर प्रशिक्षित किया गया था, 1940 से देखी गई जलवायु पर लागू किए गए।

वास्तविक रिकॉर्ड में इसे क्या मिलता है

1998–2012 की तापन-सुस्ती प्राकृतिक परिवर्तनशीलता के रूप में सामने आती है, जैसा कि बाद के अध्ययनों ने निष्कर्ष निकाला था। वैश्विक तापमान का प्राकृतिक हिस्सा प्रशांत के धीमे दोलन का निकटता से अनुसरण करता है।
आर्कटिक। देखा गया आर्कटिक तापन हाल में वैश्विक दर के लगभग चार गुना तक पहुँच गया है। नेटवर्क के अनुसार, बाध्य हिस्सा लगभग स्थिर रहता है, क़रीब तीन गुना। बाक़ी काम प्राकृतिक उतार-चढ़ाव ने किया: प्रशांत ने वैश्विक तापन को रोके रखा, जबकि आर्कटिक का अपना एक क्षेत्रीय उतार-चढ़ाव — एक आर्कटिक परिवर्तनशीलता-विधा — वहाँ तापन बढ़ा रहा था, ख़ासकर 2005–2020 में।
अटलांटिक। उत्तरी और दक्षिणी अटलांटिक के बीच तापमान का अंतर 1950 से V आकार में बदला है। बाध्य हिस्सा भी पहले गिरता और फिर उठता है, जो उत्तरी गोलार्ध में एरोसोल प्रदूषण के बढ़ने और बाद में घटने से मेल खाता है। प्राकृतिक परिवर्तनशीलता ने इस झूले को बढ़ाया, जिससे 1970 और 1980 के दशकों का गहरा निचला स्तर बना।
प्रशांत और अमेरिकी दक्षिण-पश्चिम। 1980 से पूर्वी भूमध्यरेखीय प्रशांत पश्चिम की तुलना में कम गर्म हुआ है, एक “ला नीना जैसा” पैटर्न जिसे मॉडल शायद ही कभी दोहरा पाते हैं। नेटवर्क कहता है कि अकेली बाध्य प्रतिक्रिया एक कमज़ोर, उलटा “एल नीनो जैसा” पैटर्न बनाती; प्राकृतिक परिवर्तनशीलता ने उसे उलट दिया। यही बात उत्तर-पूर्वी प्रशांत के ऊपर उच्च दाब के मज़बूत होने और उत्तरी अमेरिका के दक्षिण-पश्चिम के सूखने पर लागू होती है: मुख्यतः प्राकृतिक, बाध्य हिस्सा केवल मामूली।

इनमें से कई विशेषताओं के लिए, 1980–2022 में देखा गया रुझान अनुमानित बाध्य प्रतिक्रिया की सीमा से बाहर है — यह याद दिलाता है कि कोई एक ऐतिहासिक रुझान इस बात का कमज़ोर मार्गदर्शक हो सकता है कि मनुष्यों ने क्या किया।

मॉडलों की जाँच

चूँकि नेटवर्क बाध्य हिस्से का स्पष्ट अनुमान देता है, इसलिए इसकी तुलना सीधे उससे की जा सकती है जो मॉडल सिमुलेट करते हैं। मोटे पैटर्न मेल खाते हैं: ज़मीन पर और उच्च अक्षांशों में अधिक तापन, उप-ध्रुवीय उत्तरी अटलांटिक और दक्षिणी महासागर में कम; उष्णकटिबंध और उच्च अक्षांश अधिक नम, उपोष्णकटिबंध अधिक शुष्क। लेकिन मॉडल उत्तरी गोलार्ध को अधिक गर्म करते हैं, उपोष्णकटिबंधीय उच्च दाब को कम मज़बूत करते हैं, और ज़मीन को कम सुखाते हैं। लेखकों का सुझाव है कि मौजूदा मॉडल शायद कम आँक रहे हैं कि बदलती हवाएँ महाद्वीपों को कितना सुखाएँगी।

वे सीमाएँ ख़ुद गिनाते हैं। नेटवर्क मॉडलों से सीखता है, इसलिए सभी मॉडलों में साझा कोई पूर्वाग्रह उसे भटका सकता है। यह इतनी अच्छी तरह क्यों काम करता है, इसे अंदर से देख पाना कठिन है। और यह मानकर चलता है कि सीमित संख्या के सिमुलेशनों का औसत ही वास्तविक बाध्य प्रतिक्रिया है। लेखकों का निष्कर्ष है कि इन सीमाओं के भीतर, मशीन लर्निंग अतीत के जलवायु परिवर्तन के कारण-निर्धारण को अधिक मज़बूत — और मॉडलों की परख को अधिक धारदार — बना सकती है।