دھرتی تے موسمپری پرنٹڈیٹا دا تجزیہپڑھن لئی ۵ منٹ

مصنوعی ذہانت دے موسمی ماڈل طوفاناں دا رستہ بہتر لبھدے نیں، پر اوہناں نوں ہلے وی بہت کمزور بنا دیندے نیں

ڈیٹا اُتے سکھلائے گئے موسمی ماڈل ہن اوسطاً سب توں چنگے فزکس اُتے بنے پیشین گوئی نظاماں دا مقابلہ کردے نیں، کمپیوٹنگ دے خرچے دے بہت تھوڑے حصے نال۔ کیہ ایہہ گل کدی کدائیں ہون والے، انتہائی واقعات — جنہاں وچ چنگی پیشین گوئی سب توں ودھ اہم ہوندی اے — اُتے وی پوری اتردی اے، ایس اُتے بحث اے۔ پہلاں دیاں جانچاں نے ریکارڈ توڑ موسم تے زوردار گرم خطی طوفاناں اُتے وڈیاں ناکامیاں لبھیاں سن، پر اوہناں نے بہتا کر کے ڈیٹرمنسٹک (deterministic) ماڈل پرکھے سن، جیہڑے اکو پیشین گوئی دیندے نیں۔ سب توں نویں ماڈل امکانی (probabilistic) نیں: اوہ ممکنہ مستقبلاں دا اک مجموعہ (ensemble) بناندے نیں، جنہاں وچوں ہر اک “رکن” اے۔

گرم خطی طوفان اک اوکھا امتحان نیں۔ ایہہ سب توں ودھ تباہی کرن والے موسمی خطریاں وچوں نیں، تے لوکاں نوں کڈھنا اوہناں دی تھاں تے زور دیاں کئی دن پہلاں دیاں پیشین گوئیاں اُتے، بے یقینی دے ایماندار ناپ نال، منحصر ہوندا اے۔ فیر وی عالمی موسمی نقلاں وچ ایہہ گرڈ پوائنٹاں دا صرف لگ بھگ 0.5% گھیردے نیں۔

178 طوفان، دوبارہ چلائے گئے

Nathan Chalumeau تے اوہناں دے ساتھیاں — INRIA، سوربون یونیورسٹی تے CNRS، تے پیرس وچ AXA توں — نے تن مصنوعی ذہانت ماڈلاں دا موازنہ کیتا: GenCast، جیہڑا اک ڈفیوژن ماڈل (diffusion model) نال مستقبل دے موسم دے نمونے کڈھدا اے؛ FourCastNet 3، جیہڑا NVIDIA نے جاری کیتا؛ تے FGN، جیہڑا اپنا مجموعہ وکھو وکھ سکھلائے گئے چار نیٹ ورکاں توں بناندا اے۔ اوہناں دا پیمانہ IFS-ENS سی، ECMWF دا عملی فزکس اُتے بنیا مجموعہ، جیہڑا عددی بنیاد وجوں ورتیا گیا۔

اوہناں نے 178 طوفان چنے جیہڑے ہر سمندری طاس وچ گھٹ توں گھٹ 64 ناٹ دی لگاتار ہوا تیک اپڑے، دو حالتاں وچ: 2021–2023 دے 125 طوفان، ERA5 ری اینالسس اُتے سکھلائے ماڈلاں نال، تے 2025 دے 53 طوفان، ECMWF دے اُچی ریزولوشن والے تجزیاں اُتے نکھارے گئے عملی ورژناں نال۔ ہر پیشین گوئی 49 یاں 50 رکناں نال 15 دن چلی، طوفان دی پہلی ہوائی رپورٹ توں 12 گھنٹے پہلاں شروع ہو کے — کل 26,541 رکن پیشین گوئیاں۔ 2021–2023 دیاں پیشین گوئیاں دوبارہ چلان لئی H100 گرافکس پروسیسراں دے 6,000 توں ودھ گھنٹے لگے۔

ممکنہ تھاواں دے بدل نوں نمبر دینا

پیشین گوئی دے رستیاں نوں عام طور تے مجموعے دی اوسط تھاں نال پرکھیا جاندا اے۔ لکھاری 2025 دے ٹائیفون Bualoi نال وکھاندے نیں پئی ایہہ کیوں دھوکا دے سکدا اے: IFS-ENS دے رکن وکھرے وکھرے جھرمٹاں وچ ونڈے گئے جنہاں نوں کوئی اوسط ظاہر نہیں کر سکدی۔

جنوب مشرقی ایشیا دا نقشہ، جس وچ ٹائیفون Bualoi دیاں چار ویکھیاں گئیاں تھاواں دے دوالے پیشین گوئی کیتیاں طوفانی تھاواں دیاں لال تے نیلیاں لکیراں نیں۔

ٹائیفون Bualoi (2025): FGN (لال) تے IFS-ENS (نیلا) دیاں چار ویلیاں اُتے پیشین گوئی کیتیاں تھاواں، ویکھے گئے رستے (کالے نقطے) دے دوالے۔ — شکل 2، Chalumeau et al. (2026)، arXiv:2610.22077۔

ایہدی تھاں، اوہ ہر مجموعے نوں امکان دے نقشے وچ بدلدے نیں تے پچھدے نیں پئی ایہدا کنا حصہ طوفان دی ویکھی گئی تھاں اُتے پیندا اے۔ گھٹ نمبر دا مطلب بہتر پیشین گوئی اے۔

2021–2023 دے طوفاناں اُتے، GenCast نے 68% طوفاناں اُتے IFS-ENS نوں ہرایا تے FourCastNet 3 نے 58% اُتے — معمولی فرق۔ 2025 دے طوفاناں اُتے فرق ودھ گیا: FGN نے رکھے گئے 41 طوفاناں وچوں لگ بھگ 90% اُتے IFS-ENS نوں ہرایا، تے اوہناں وچوں 59% اُتے تناں ماڈلاں وچ پہلے نمبر اُتے رہیا، GenCast دے 34% تے IFS-ENS دے 7% دے مقابلے وچ۔ FGN نے پورے موسمی میداناں اُتے وی سب توں چنگا نمبر لیا، تے دونویں مصنوعی ذہانت ماڈلاں نے IFS-ENS دے مقابلے وچ طوفاناں دے دوالے پوری دنیا نالوں ودھ فائدہ لیا۔ جدوں سب توں تیز ہوا تے سب توں گھٹ دباؤ والے علاقیاں دا موازنہ صرف اوہناں دی شکل تے تھاں اُتے کیتا گیا، تے ترتیب اوہو رہی: FGN، فیر GenCast، فیر IFS-ENS۔

بہت نرم طوفان

بہتر تھاں دا مطلب بہتر زور نہیں سی۔ 2025 دے طوفاناں اُتے، FGN تے GenCast دوہاں نے تھوڑے تے درمیانے عرصے وچ سب توں تیز ہواواں نوں گھٹ کر کے دسیا، جدکہ IFS-ENS معیار دے 10% اندر رہیا۔ عملی ڈیٹا اُتے نکھار نے ایہہ جھکاؤ ختم نہیں سی کیتا۔ پہلی حالت وچ، GenCast دا مقامی نمبر بہتر سی پر ہوا دی کمی وی ودھ سی۔ مجموعے وی چنگی طرحاں کیلیبریٹ نہیں سن، کئی تھاواں اُتے بہت گھٹ پھیلاؤ نال۔

اک موڑ ہور اے۔ مصنوعی ذہانت دے طوفان کمزور نیں، پر اوہناں اندر ہوا تے دباؤ دا تعلق ٹھیک لگدا اے۔ جدوں ہر ماڈل دا زور والا جھکاؤ درجہ بندی نال ہٹا دتا جاندا اے، تے زیادہ توں زیادہ ہوا تے گھٹ توں گھٹ دباؤ وچکار تعلق FGN لئی −0.83 تے GenCast لئی −0.84 اے، اُچی ریزولوشن والے تجزیے دے −0.88 تے IFS-ENS دے −0.87 دے مقابلے وچ۔ FGN اُتے، جیہڑا اک ویلے اک متغیر تے اک تھاں اُتے سکھلایا گیا، ایہہ تعلق کدی وی لاگو نہیں سی کیتا گیا۔ فیر وی ایہہ آپے ابھر آیا۔

ہوا دی رفتار بمقابلہ دباؤ دیاں لکیراں والے دو پینل: کھبے پاسے کچے مُل، ذریعیاں وچکار کھسکے ہوئے، تے سجے پاسے درجہ بند مُل، لگ بھگ اک دوجے اُتے چڑھے ہوئے۔

کھبے: مصنوعی ذہانت ماڈلاں دے طوفاناں دیاں ہواواں کمزور تے دباؤ دے ٹوئے معیار نالوں گھٹ ڈونگھے نیں۔ سجے: درجہ بندی مگروں ہر ذریعہ لگ بھگ اکو ہوا–دباؤ تعلق اُتے چلدا اے۔ — شکل 6، Chalumeau et al. (2026)، arXiv:2610.22077۔

خبرداری دا نظام نہیں — ہلے

لکھاری آپ اپنے نتیجیاں دی حد مقرر کردے نیں۔ تحقیق چنے ہوئے پرانے طوفاناں نوں دوبارہ چلاندی اے؛ ایہدے وچ طوفاناں توں خالی عرصے شامل نہیں، ایس لئی ایہہ فیصلہ نہیں کر سکدی پئی ماڈل جھوٹے الارم دیندے نیں یاں نہیں۔ دونویں حالتاں طوفاناں، ماڈل ورژناں تے IFS-ENS دیاں اپ گریڈاں وچ وی وکھریاں نیں، ایس لئی نکھار دا اثر وکھرا نہیں کیتا جا سکدا۔ تے اخلاقیات والا بیان صاف اے: ایہہ نتیجے “ایہناں ماڈلاں وچوں کسے نوں وی عملی خبرداریاں لئی ورتن دی رہنمائی نہ سمجھے جان۔”

اوہناں دا نتیجہ کماں دی اک لسٹ اے۔ زور نوں درست کرو، سکھلائی دے ایہو جیہے ٹیچے بناؤ جیہڑے انتہائی ہواواں نوں وزن دین، بے یقینی نوں بہتر کرو — تے ہر واری جانچو پئی تھاں تے ہوا–دباؤ تعلق وچ ہوئے فائدے قائم رہن۔