ఇటీవలి వాతావరణ మార్పులో ప్రకృతి సొంత ఊగిసలాటల వాటా ఎంత?

మనం గమనించే ప్రతి వాతావరణ ధోరణి రెండు అంశాల మొత్తం. మొదటిది బలవంతపు ప్రతిస్పందన (forced response): గ్రీన్‌హౌస్ వాయువులు, ఏరోసాల్‌లు, భూ వినియోగం, అగ్నిపర్వత విస్ఫోటనాలు నడిపించే మార్పు. రెండవది అంతర్గత వైవిధ్యం (internal variability): ఎల్ నినో, లేదా పసిఫిక్, అట్లాంటిక్ మహాసముద్రాల నెమ్మదైన డోలనాల వంటి వాతావరణం సొంత ఊగిసలాటలు. వాతావరణ మార్పును అర్థం చేసుకోవడానికీ, వాతావరణ మోడళ్లు సరిగ్గా ఉన్నాయో లేదో నిర్ధారించడానికీ వీటిని వేరుగా గుర్తించడం ముఖ్యం.

సమస్య ఏమిటంటే వాస్తవం ఒక్కసారే జరుగుతుంది. వాతావరణ మోడళ్లను ఒకే ప్రభావంతో డజన్ల సార్లు నడపవచ్చు, ఆ పరుగుల సగటు బలవంతపు భాగాన్ని వెల్లడిస్తుంది. కానీ మోడళ్లకు పక్షపాతాలు (biases) ఉంటాయి, సరళమైన గణాంక ఉపాయాలు బలవంతపు నమూనా ఎన్నటికీ మారదని ఊహిస్తాయి. ఇలాంటి పద్ధతులను ఇటీవల పోల్చిన ఒక అంతర్జాతీయ అధ్యయనం లోపాలు పెద్దవిగానే ఉన్నాయని కనుగొంది — మెషీన్-లెర్నింగ్ పద్ధతులు సంప్రదాయ గణాంకాల కంటే మెరుగ్గా పనిచేయలేదు.

పరిశోధనా పత్రం ఒక హెచ్చరిక ఉదాహరణను ఇస్తుంది: 1998 నుంచి 2012 మధ్య భూతాపం మందగించడాన్ని మొదట మానవ ప్రేరిత తాపం నెమ్మదిస్తోందనడానికీ, మోడళ్లు తప్పు అనడానికీ సంకేతంగా భావించారు, ఆ తర్వాత అది అంతర్గత వైవిధ్యమని గుర్తించారు.

శబ్దాన్ని నేర్చుకునే నెట్‌వర్క్

పసిఫిక్ నార్త్‌వెస్ట్ నేషనల్ లేబొరేటరీ, కాలిఫోర్నియా శాన్ డియాగో, వాషింగ్టన్ విశ్వవిద్యాలయాలకు చెందిన పార్వతి కూలోత్ (Parvathi Kooloth), వెన్యు ఝౌ (Wenyu Zhou), సహచరులు ఒక ConvLSTMను నిర్మించారు. ఇది ప్రాదేశిక నమూనాలను గ్రహించే శక్తిని, అవి ఎలా మారుతాయో గుర్తుంచుకునే జ్ఞాపకశక్తిని కలిపే న్యూరల్ నెట్‌వర్క్. ఉపరితల ఉష్ణోగ్రత, వర్షపాతం, సముద్ర మట్టపు పీడనం పటాలను ఉపయోగించి, 15 వాతావరణ మోడళ్ల నుంచి వచ్చిన పెద్ద సిమ్యులేషన్ సమూహాల (ensembles) పై దానికి శిక్షణ ఇచ్చారు. దాని పని సహజ ఊగిసలాటలను గుర్తించడం; మిగిలినదే బలవంతపు భాగం.

ఇంతకు ముందెన్నడూ చూడని మోడళ్లపై పరీక్షించినప్పుడు, చారిత్రక కాలంలో ఎక్కువ భాగం ఉష్ణోగ్రత, వర్షపాతం, పీడనం మూడింటికీ అది ఉన్న ఆరు పద్ధతులను అధిగమించింది — ఒక మినహాయింపుతో, రచయితలు అవాస్తవికమైన అసాధారణ విలువ (outlier) అని వాదించే ఒక సిమ్యులేషన్. వాస్తవ ప్రపంచం కోసం, నెట్‌వర్క్ యొక్క పది వెర్షన్లను — ఒక్కొక్కటి వేర్వేరు పది మోడళ్ల సమితిపై శిక్షణ పొందినవి — 1940 నుంచి గమనించిన వాతావరణానికి అన్వయించారు.

వాస్తవ రికార్డులో అది కనుగొన్నది

1998–2012 తాపం మందగింపు సహజ వైవిధ్యంగా బయటపడుతుంది, తర్వాతి అధ్యయనాలు తేల్చినట్లే. ప్రపంచ ఉష్ణోగ్రత యొక్క సహజ భాగం పసిఫిక్ నెమ్మదైన డోలనాన్ని దగ్గరగా అనుసరిస్తుంది.
ఆర్కిటిక్. గమనించిన ఆర్కిటిక్ తాపం ఇటీవల ప్రపంచ రేటుకు సుమారు నాలుగు రెట్లు చేరింది. నెట్‌వర్క్ ప్రకారం, బలవంతపు భాగం దాదాపు స్థిరంగా సుమారు మూడు రెట్లు వద్దే ఉంటుంది. మిగతాది సహజ ఊగిసలాటల పని: పసిఫిక్ ప్రపంచ తాపాన్ని అదుపులో ఉంచగా, ఆర్కిటిక్‌కు సొంతమైన ఒక ప్రాంతీయ ముందుకూ-వెనక్కూ ఊగిసలాట, అంటే ఆర్కిటిక్ వైవిధ్యపు ఒక రీతి (mode), అక్కడి తాపాన్ని పెంచింది, ముఖ్యంగా 2005–2020లో.
అట్లాంటిక్. ఉత్తర, దక్షిణ అట్లాంటిక్ మధ్య ఉష్ణోగ్రత వ్యత్యాసం 1950 నుంచి V ఆకారాన్ని అనుసరించింది. బలవంతపు భాగం కూడా తగ్గి మళ్లీ పెరుగుతుంది, ఉత్తరార్ధగోళంలో ఏరోసాల్ కాలుష్యం పెరిగి తర్వాత తగ్గడానికి అనుగుణంగా. సహజ వైవిధ్యం ఈ ఊగిసలాటను పెంచి, 1970లు, 1980లలోని లోతైన కనిష్ఠ స్థాయిని సృష్టించింది.
పసిఫిక్, అమెరికా నైరుతి ప్రాంతం. 1980 నుంచి భూమధ్యరేఖా పసిఫిక్ తూర్పు భాగం పశ్చిమ భాగం కంటే తక్కువగా వేడెక్కింది — మోడళ్లు అరుదుగా పునరుత్పత్తి చేసే “లా నినా-వంటి” నమూనా ఇది. బలవంతపు ప్రతిస్పందన ఒక్కటే అయితే బలహీనమైన, వ్యతిరేకమైన “ఎల్ నినో-వంటి” నమూనా ఏర్పడేదని నెట్‌వర్క్ చెబుతుంది; సహజ వైవిధ్యం దాన్ని తిప్పికొట్టింది. ఈశాన్య పసిఫిక్‌పై అధిక పీడనం బలపడటం, ఉత్తర అమెరికా నైరుతి ప్రాంతం ఎండిపోవడం విషయంలోనూ ఇదే నిజం: ఎక్కువగా సహజమైనవి, బలవంతపు వాటా కొద్దిగానే.

వీటిలో అనేక లక్షణాలకు, 1980–2022 మధ్య గమనించిన ధోరణి అంచనా వేసిన బలవంతపు ప్రతిస్పందన పరిధికి వెలుపల ఉంది — మానవులు కలిగించిన దానికి ఒకే చారిత్రక ధోరణి బలహీనమైన మార్గదర్శి కావచ్చని ఇది గుర్తుచేస్తుంది.

మోడళ్లకు ఒక పరీక్ష

నెట్‌వర్క్ బలవంతపు భాగానికి స్పష్టమైన అంచనా ఇస్తుంది కాబట్టి, మోడళ్లు సిమ్యులేట్ చేసేదానితో దాన్ని నేరుగా పోల్చవచ్చు. విశాలమైన నమూనాలు ఏకీభవిస్తాయి: భూమిపై, అధిక అక్షాంశాల వద్ద ఎక్కువ తాపం; ఉప-ధ్రువ ఉత్తర అట్లాంటిక్, దక్షిణ మహాసముద్రంపై తక్కువ; ఉష్ణమండలాలు, అధిక అక్షాంశాలు మరింత తడిగా, ఉప-ఉష్ణమండలాలు మరింత పొడిగా. కానీ మోడళ్లు ఉత్తరార్ధగోళాన్ని ఎక్కువగా వేడెక్కిస్తాయి, ఉప-ఉష్ణమండల అధిక పీడనాన్ని తక్కువగా బలపరుస్తాయి, భూమిని తక్కువగా ఎండబెడతాయి. మారుతున్న గాలులు ఖండాలను ఎంతగా ఎండబెడతాయో ప్రస్తుత మోడళ్లు తక్కువ అంచనా వేస్తుండవచ్చని రచయితలు సూచిస్తున్నారు.

పరిమితులను వారే పేర్కొంటారు. నెట్‌వర్క్ మోడళ్ల నుంచి నేర్చుకుంటుంది, కాబట్టి అన్ని మోడళ్లలో ఉమ్మడిగా ఉన్న ఒక పక్షపాతం దాన్ని తప్పుదారి పట్టించవచ్చు. అది ఎందుకు ఇంత బాగా పనిచేస్తుందో దాని లోపల చూసి తెలుసుకోవడం కష్టం. పరిమిత సంఖ్యలోని సిమ్యులేషన్ల సగటే నిజమైన బలవంతపు ప్రతిస్పందన అని అది ఊహిస్తుంది. ఈ పరిమితుల్లో, మెషీన్ లెర్నింగ్ గత వాతావరణ మార్పుకు కారణ నిర్ధారణ (attribution) ను మరింత దృఢంగా — మోడళ్ల పరీక్షను మరింత పదునుగా — చేయగలదని రచయితలు ముగిస్తారు.