अलीकडच्या हवामान बदलातील किती भाग निसर्गाच्या स्वतःच्या चढउतारांचा?

आपण निरीक्षण करतो तो हवामानाचा प्रत्येक कल दोन गोष्टींची बेरीज असतो. पहिली म्हणजे प्रणोदित प्रतिसाद (forced response): हरितगृह वायू, एरोसॉल्स, जमिनीचा वापर आणि ज्वालामुखींचे उद्रेक यांनी घडवलेला बदल. दुसरी म्हणजे अंतर्गत परिवर्तनशीलता (internal variability): एल निनो किंवा प्रशांत आणि अटलांटिक महासागरांची संथ आंदोलने यांसारखे हवामानाचे स्वतःचे चढउतार. हवामान बदल समजून घेण्यासाठी आणि हवामान मॉडेल्स बरोबर आहेत का हे ठरवण्यासाठी, या दोघांना वेगळे ओळखणे महत्त्वाचे आहे.

अडचण अशी की वास्तव एकदाच घडते. हवामान मॉडेल्स एकाच प्रभावासह डझनभर वेळा चालवता येतात, आणि त्या सर्व धावांची सरासरी प्रणोदित भाग उघड करते. पण मॉडेल्समध्ये पूर्वग्रह (biases) असतात, आणि सोप्या सांख्यिकीय युक्त्या प्रणोदित नमुना कधीच बदलत नाही असे गृहीत धरतात. अशा पद्धतींच्या अलीकडच्या एका आंतरराष्ट्रीय तुलनेत त्रुटी मोठ्याच राहिल्याचे आढळले — आणि मशीन-लर्निंग पद्धतींनी पारंपरिक सांख्यिकीपेक्षा चांगली कामगिरी केली नाही.

शोधनिबंध एक सावधगिरीचे उदाहरण देतो: 1998 ते 2012 दरम्यान जागतिक तापमानवाढीच्या मंदावण्याचा अर्थ सुरुवातीला मानवी कारणांनी होणारी तापमानवाढ मंदावत असल्याचे आणि मॉडेल्स चुकीची असल्याचे लक्षण असा लावला गेला, आणि नंतर ती अंतर्गत परिवर्तनशीलता असल्याचे मान्य झाले.

गोंगाट शिकणारे नेटवर्क

पॅसिफिक नॉर्थवेस्ट नॅशनल लॅबोरेटरी, आणि कॅलिफोर्निया सॅन डिएगो व वॉशिंग्टन विद्यापीठांतील पार्वती कूलोथ (Parvathi Kooloth), वेन्यू झोउ (Wenyu Zhou) आणि सहकाऱ्यांनी एक ConvLSTM तयार केले — असे न्यूरल नेटवर्क जे अवकाशीय नमुन्यांची जाण आणि ते नमुने कसे बदलत जातात याची स्मृती यांची सांगड घालते. त्यांनी पृष्ठभागाचे तापमान, पाऊस आणि समुद्रसपाटीवरील दाब यांचे नकाशे वापरून 15 हवामान मॉडेल्सच्या सिम्युलेशन्सच्या मोठ्या संचांवर (ensembles) ते प्रशिक्षित केले. त्याचे काम होते नैसर्गिक चढउतार ओळखणे; जे उरते तो प्रणोदित भाग.

याआधी कधीही न पाहिलेल्या मॉडेल्सवर चाचणी घेतल्यावर, ऐतिहासिक कालखंडाच्या बहुतांश भागात तापमान, पाऊस आणि दाब या तिन्हींसाठी त्याने अस्तित्वात असलेल्या सहा पद्धतींना मागे टाकले — एका अपवादासह, एक सिम्युलेशन जे लेखकांच्या मते अवास्तव अपवादात्मक (outlier) आहे. वास्तव जगासाठी, नेटवर्कच्या दहा आवृत्त्या — प्रत्येक दहा मॉडेल्सच्या वेगळ्या संचावर प्रशिक्षित — 1940 पासूनच्या निरीक्षित हवामानावर लागू केल्या गेल्या.

प्रत्यक्ष नोंदींमध्ये त्याला काय आढळते

1998–2012 मधील तापमानवाढीचे मंदावणे नैसर्गिक परिवर्तनशीलता म्हणून समोर येते, जसे नंतरच्या अभ्यासांनी निष्कर्ष काढला होता. जागतिक तापमानाचा नैसर्गिक भाग प्रशांत महासागराच्या संथ आंदोलनाशी जवळून जुळतो.
आर्क्टिक. निरीक्षणातील आर्क्टिकची तापमानवाढ अलीकडे जागतिक दराच्या सुमारे चौपट झाली आहे. नेटवर्कनुसार, प्रणोदित भाग जवळजवळ स्थिरपणे सुमारे तिप्पट राहतो. उरलेले काम नैसर्गिक चढउतारांनी केले: प्रशांत महासागराने जागतिक तापमानवाढ रोखून धरली, तर आर्क्टिकच्या स्वतःच्या एका प्रादेशिक पुढे-मागे हेलकाव्याने, म्हणजे आर्क्टिकच्या परिवर्तनशीलतेच्या एका प्रकाराने (mode), तिथली तापमानवाढ वाढवली, विशेषतः 2005–2020 मध्ये.
अटलांटिक. उत्तर आणि दक्षिण अटलांटिकमधील तापमानाचा फरक 1950 पासून V आकाराचा मार्ग अनुसरतो. प्रणोदित भागही आधी खाली जातो आणि मग वर येतो, उत्तर गोलार्धातील एरोसॉल प्रदूषणाच्या वाढीशी आणि नंतरच्या घटीशी सुसंगतपणे. नैसर्गिक परिवर्तनशीलतेने हा झोका वाढवला, आणि 1970 व 1980 च्या दशकांतील खोल नीचांक निर्माण केला.
प्रशांत महासागर आणि अमेरिकेचा नैऋत्य भाग. 1980 पासून विषुववृत्तीय प्रशांत महासागराचा पूर्व भाग पश्चिमेपेक्षा कमी तापला आहे — एक “ला निना-सदृश” नमुना जो मॉडेल्स क्वचितच पुन्हा निर्माण करतात. नेटवर्क म्हणते की केवळ प्रणोदित प्रतिसादाने एक कमकुवत, उलट “एल निनो-सदृश” नमुना निर्माण झाला असता; नैसर्गिक परिवर्तनशीलतेने तो उलटवला. ईशान्य प्रशांत महासागरावरील उच्च दाबाच्या बळकटीकरणाबाबत आणि उत्तर अमेरिकेच्या नैऋत्य भागाच्या कोरडे होण्याबाबतही हेच खरे आहे: मुख्यतः नैसर्गिक, प्रणोदित वाटा फक्त माफक.

यांपैकी अनेक वैशिष्ट्यांसाठी, 1980–2022 दरम्यान निरीक्षणात आलेला कल अंदाजित प्रणोदित प्रतिसादाच्या कक्षेच्या बाहेर आहे — एकच ऐतिहासिक कल मानवांनी काय घडवले याचा कमकुवत मार्गदर्शक ठरू शकतो, याची ही आठवण.

मॉडेल्सची तपासणी

नेटवर्क प्रणोदित भागाचा स्पष्ट अंदाज देत असल्याने, मॉडेल्स जे सिम्युलेट करतात त्याच्याशी त्याची थेट तुलना करता येते. ढोबळ नमुने जुळतात: जमिनीवर आणि उच्च अक्षांशांवर अधिक तापमानवाढ, उपध्रुवीय उत्तर अटलांटिक आणि दक्षिण महासागरावर कमी, उष्ण कटिबंध आणि उच्च अक्षांश अधिक ओले, उपोष्ण कटिबंध अधिक कोरडे. पण मॉडेल्स उत्तर गोलार्ध अधिक तापवतात, उपोष्ण कटिबंधीय उच्च दाब कमी बळकट करतात, आणि जमीन कमी कोरडी करतात. लेखक सुचवतात की बदलणारे वारे खंडांना किती कोरडे करतील याचा सध्याची मॉडेल्स कमी अंदाज लावत असावीत.

मर्यादा ते स्वतःच नोंदवतात. नेटवर्क मॉडेल्सकडून शिकते, त्यामुळे सर्व मॉडेल्समध्ये समान असलेला एखादा पूर्वग्रह त्याची दिशाभूल करू शकतो. ते इतके चांगले का काम करते हे त्याच्या आत डोकावून पाहणे कठीण आहे. आणि ते असे गृहीत धरते की सिम्युलेशन्सच्या मर्यादित संचाची सरासरी हाच खरा प्रणोदित प्रतिसाद आहे. या मर्यादांच्या आत, लेखक निष्कर्ष काढतात, मशीन लर्निंग भूतकाळातील हवामान बदलाचे कारण-निर्धारण (attribution) अधिक भक्कम करू शकते — आणि मॉडेल्सची चाचणी अधिक धारदार.