حالیہ موسمیاتی تبدیلی کا کتنا حصہ فطرت کا اپنا اتار چڑھاؤ ہے؟

ہم جو بھی موسمیاتی رجحان دیکھتے ہیں وہ دو چیزوں کا مجموعہ ہوتا ہے۔ ایک ہے جبری ردعمل (forced response): وہ تبدیلی جو گرین ہاؤس گیسیں، ایروسولز، زمین کا استعمال اور آتش فشانی دھماکے پیدا کرتے ہیں۔ دوسرا ہے اندرونی تغیر (internal variability): موسم کے اپنے اتار چڑھاؤ، جیسے ال نینو یا بحرالکاہل اور بحرِ اوقیانوس کی سست لہریں۔ انہیں الگ الگ پہچاننا اہم ہے، موسمیاتی تبدیلی کو سمجھنے کے لیے بھی اور یہ جانچنے کے لیے بھی کہ آیا موسمیاتی ماڈلز اسے درست دکھاتے ہیں۔

مسئلہ یہ ہے کہ حقیقت صرف ایک بار وقوع پذیر ہوتی ہے۔ موسمیاتی ماڈلز کو ایک ہی جبری عامل کے ساتھ درجنوں بار چلایا جا سکتا ہے، اور ان تمام دوروں کا اوسط جبری حصہ ظاہر کر دیتا ہے۔ لیکن ماڈلز میں جھکاؤ (bias) ہوتا ہے، اور سادہ شماریاتی ترکیبیں عموماً یہ فرض کر لیتی ہیں کہ جبری نمونہ کبھی نہیں بدلتا۔ ایسے طریقوں کے ایک حالیہ بین الاقوامی موازنے سے معلوم ہوا کہ غلطیاں بڑی ہی رہیں — اور یہ کہ مشین لرننگ کے طریقے روایتی شماریات سے بہتر کارکردگی نہیں دکھا سکے۔

مقالہ ایک سبق آموز مثال دیتا ہے: 1998 اور 2012 کے درمیان عالمی حدت میں سست روی کو پہلے اس بات کی علامت سمجھا گیا کہ انسان کی پیدا کردہ حدت کم ہو رہی ہے اور ماڈلز غلط ہیں، اور بعد میں اسے اندرونی تغیر کے طور پر پہچانا گیا۔

ایک نیٹ ورک جو شور کو سیکھتا ہے

پاروتی کولوتھ، وینیو ژو اور ان کے ساتھیوں نے، جو پیسیفک نارتھ ویسٹ نیشنل لیبارٹری اور یونیورسٹی آف کیلیفورنیا سان ڈیاگو اور یونیورسٹی آف واشنگٹن سے وابستہ ہیں، ایک ConvLSTM بنایا، یعنی ایسا نیورل نیٹ ورک جو مکانی نمونوں کی سمجھ کو اس یادداشت کے ساتھ جوڑتا ہے کہ وہ نمونے وقت کے ساتھ کیسے بدلتے ہیں۔ انہوں نے اسے 15 موسمیاتی ماڈلز کی سمولیشنز کے بڑے مجموعوں پر تربیت دی، جس میں سطح کے درجۂ حرارت، بارش اور سطحِ سمندر پر ہوا کے دباؤ کے نقشے استعمال کیے گئے۔ اس کا کام قدرتی اتار چڑھاؤ کو پہچاننا تھا؛ جو باقی بچے وہ جبری حصہ ہے۔

جن ماڈلز کو اس نے پہلے کبھی نہیں دیکھا تھا، ان پر آزمانے سے اس نے تاریخی دور کے بیشتر حصے میں درجۂ حرارت، بارش اور دباؤ کے لیے موجودہ چھ طریقوں کو پیچھے چھوڑ دیا — ایک استثنا کے ساتھ، ایک ایسی سمولیشن جسے مصنفین غیر حقیقی حد سے ہٹا ہوا نمونہ (outlier) قرار دیتے ہیں۔ حقیقی دنیا کے لیے نیٹ ورک کے دس نسخے، جن میں سے ہر ایک دس ماڈلز کے مختلف مجموعے پر تربیت یافتہ تھا، 1940 سے مشاہدہ کیے گئے موسم پر لاگو کیے گئے۔

حقیقی ریکارڈ میں اسے کیا ملتا ہے

1998–2012 کی حدت میں سست روی قدرتی تغیر نکلتی ہے، جیسا کہ بعد کے مطالعات نے نتیجہ اخذ کیا تھا۔ عالمی درجۂ حرارت کا قدرتی حصہ بحرالکاہل کی سست لہر کے ساتھ قریب سے چلتا ہے۔
آرکٹک۔ آرکٹک کی مشاہدہ شدہ حدت حال ہی میں عالمی شرح کے تقریباً چار گنا تک پہنچ گئی ہے۔ نیٹ ورک کے مطابق جبری حصہ تقریباً مستقل طور پر تین گنا کے آس پاس رہتا ہے۔ باقی کام قدرتی اتار چڑھاؤ نے کیا: بحرالکاہل نے عالمی حدت کو روکے رکھا جبکہ خود اس خطے کا اپنا ایک علاقائی اتار چڑھاؤ، یعنی آرکٹک تغیر کا ایک انداز (mode)، وہاں حدت کو بڑھاتا رہا، خاص طور پر 2005–2020 میں۔
بحرِ اوقیانوس۔ شمالی اور جنوبی بحرِ اوقیانوس کے درمیان درجۂ حرارت کا فرق 1950 سے V کی شکل اختیار کیے ہوئے ہے۔ جبری حصہ بھی نیچے جاتا اور اوپر آتا ہے، جو شمالی نصف کرے میں ایروسول آلودگی کے بڑھنے اور پھر کم ہونے کے مطابق ہے۔ قدرتی تغیر نے اس جھولے کو بڑھا دیا، جس سے 1970 اور 1980 کی دہائیوں کی گہری نچلی سطح بنی۔
بحرالکاہل اور امریکہ کا جنوب مغرب۔ 1980 سے استوائی بحرالکاہل کا مشرقی حصہ مغربی حصے سے کم گرم ہوا ہے، ایک “لا نینا جیسا” نمونہ جسے ماڈلز شاذ ہی دہراتے ہیں۔ نیٹ ورک کہتا ہے کہ صرف جبری ردعمل سے ایک کمزور الٹا، “ال نینو جیسا” نمونہ بنتا؛ قدرتی تغیر نے اسے الٹ دیا۔ یہی بات شمال مشرقی بحرالکاہل پر زیادہ دباؤ کے مضبوط ہونے اور شمالی امریکہ کے جنوب مغرب کے خشک ہونے پر صادق آتی ہے: زیادہ تر قدرتی، جبری حصہ معمولی۔

ان میں سے کئی خصوصیات کے لیے 1980–2022 کے دوران مشاہدہ شدہ رجحان اندازہ لگائے گئے جبری ردعمل کی حد سے باہر ہے — اس بات کی یاددہانی کہ ایک واحد تاریخی رجحان یہ بتانے کے لیے ناقص رہنما ہو سکتا ہے کہ انسانوں نے کیا کیا۔

ماڈلز کی جانچ

چونکہ نیٹ ورک جبری حصے کا واضح تخمینہ دیتا ہے، اس لیے اس کا براہِ راست موازنہ اس سے کیا جا سکتا ہے جو ماڈلز سمولیٹ کرتے ہیں۔ بڑے نمونے متفق ہیں: خشکی اور بلند عرض البلد پر زیادہ حدت، ذیلی قطبی شمالی بحرِ اوقیانوس اور بحرِ جنوبی پر کم، استوائی علاقے اور بلند عرض البلد زیادہ مرطوب، ذیلی استوائی علاقے زیادہ خشک۔ لیکن ماڈلز شمالی نصف کرے کو زیادہ گرم کرتے ہیں، ذیلی استوائی زیادہ دباؤ کو کم مضبوط کرتے ہیں، اور خشکی کو کم خشک کرتے ہیں۔ مصنفین کا خیال ہے کہ موجودہ ماڈلز شاید اس بات کا کم اندازہ لگاتے ہیں کہ ہواؤں کی بدلتی سمت براعظموں کو کتنا خشک کرے گی۔

حدود وہ خود بیان کرتے ہیں۔ نیٹ ورک ماڈلز سے سیکھتا ہے، اس لیے تمام ماڈلز میں مشترک کوئی جھکاؤ اسے گمراہ کر سکتا ہے۔ یہ اتنا اچھا کیوں کام کرتا ہے، یہ اس کے اندر جھانک کر دیکھنا مشکل ہے۔ اور یہ فرض کرتا ہے کہ سمولیشنز کے ایک محدود مجموعے کا اوسط ہی اصل جبری ردعمل ہے۔ ان حدود کے اندر، مصنفین نتیجہ اخذ کرتے ہیں کہ مشین لرننگ ماضی کی موسمیاتی تبدیلی کی وجوہات کے تعین کو زیادہ مضبوط — اور ماڈلز کی جانچ کو زیادہ تیز — بنا سکتی ہے۔