साइंस के लिए AIमध्यमपाठ 2545 मिनट का पाठ

मौसम और जलवायु के मॉडल

मशीन-लर्निंग मौसम मॉडल पिछले कई दशकों के मौसम से सीखते हैं और बहुत तेज़ी से पूर्वानुमान लगा सकते हैं। भौतिकी-आधारित (physics-based) मॉडल अब भी मायने रखते हैं, और हर पूर्वानुमान में अनिश्चितता होती है।

✦ ट्यूटर से पूछें🧪 लैब · 20 min📝 पाठ का टेस्ट
पाठ वीडियो में

60 सेकंड में

मौसम और जलवायु के मॉडल

मशीन-लर्निंग मौसम मॉडल पिछले कई दशकों के मौसम से सीखते हैं और बहुत तेज़ी से पूर्वानुमान लगा सकते हैं। भौतिकी-आधारित (physics-based) मॉडल अब भी मायने रखते हैं, और हर पूर्वानुमान…

1/3
आसान शब्दों में
कोई बुजुर्ग किसान आसमान को देखकर कह सकती हैं, "कल बारिश होगी।" उन्होंने हज़ारों दिन देखे हैं और उनके पैटर्न सीखे हैं। मशीन-लर्निंग मौसम मॉडल भी कुछ ऐसा ही करता है, लेकिन उसने पूरी पृथ्वी के कई सालों के मौसम का डेटा "देखा" होता है।

आमतौर पर पूर्वानुमान कैसे लगाए जाते हैं

दशकों से मौसम का पूर्वानुमान भौतिकी-आधारित मॉडलों (physics-based models) से आता रहा है, जिन्हें न्यूमेरिकल वेदर प्रेडिक्शन भी कहा जाता है। वे हवा, महासागरों और ज़मीन की वर्तमान स्थिति से शुरुआत करते हैं, जिसे सैटेलाइट, मौसम केंद्रों, गुब्बारों और जहाजों से मापा जाता है। फिर वे भौतिकी के नियमों का उपयोग करके कदम-दर-कदम यह गणना करते हैं कि वायुमंडल कैसे बदलेगा। इसके लिए बहुत बड़े सुपरकंप्यूटरों की ज़रूरत होती है।

मशीन-लर्निंग मौसम मॉडल क्या करते हैं

एक मशीन-लर्निंग मौसम मॉडल पिछले कई वर्षों के मौसम डेटा से सीखता है। यह सीखता है कि किसी एक समय का मौसम कुछ घंटों बाद आमतौर पर कैसा रूप ले लेता है। पूर्वानुमान लगाने के लिए, यह उस कदम को कई बार दोहराता है। Google DeepMind का GraphCast इसका एक जाना-माना उदाहरण है। अन्य समूहों और मौसम एजेंसियों ने भी ऐसे ही मॉडल बनाए हैं।
एक बार ट्रेन हो जाने के बाद, ऐसे मॉडल भौतिकी के पूरे मॉडल की तुलना में बहुत छोटे कंप्यूटरों पर भी बहुत तेज़ी से पूर्वानुमान तैयार कर सकते हैं। शोधकर्ताओं ने दिखाया है कि कुछ मामलों में, वे सामान्य पैमानों पर पारंपरिक पूर्वानुमानों की बराबरी कर सकते हैं या उनसे बेहतर प्रदर्शन कर सकते हैं। यह एक वास्तविक और रोमांचक बदलाव है।

भौतिकी के मॉडल अब भी क्यों मायने रखते हैं

  • शुरुआती बिंदु (Starting point): ML मॉडल आमतौर पर वर्तमान मौसम के ऐसे विश्लेषण से शुरुआत करते हैं जो भौतिकी-आधारित प्रणालियों और प्रेक्षणों (observations) की मदद से तैयार किया जाता है।
  • ट्रेनिंग डेटा: पिछले मौसम का जिस डेटा से वे सीखते हैं, वह भी अक्सर भौतिकी के मॉडलों की मदद से ही दोबारा तैयार किया गया होता है।
  • दुर्लभ और नई घटनाएँ: डेटा में चरम घटनाएँ बहुत कम होती हैं। भौतिकी का मॉडल ऐसी स्थितियों में भी प्रकृति के नियमों का पालन करता है जो उसने पहले कभी नहीं देखी हैं।
  • समझ: भौतिकी के मॉडल वैज्ञानिकों को "क्यों" पूछने और वायुमंडल के काम करने के तरीके के बारे में नए विचारों की जाँच करने का मौका देते हैं।
कई विशेषज्ञ भविष्य को एक मिला-जुला रूप मानते हैं: भौतिकी और मशीन लर्निंग का साथ मिलकर काम करना, जहाँ दोनों एक-दूसरे की जाँच करते हैं। मौसम एजेंसियाँ नए मॉडलों पर भरोसा करने से पहले उनका बारीकी से परीक्षण करती हैं।

अनिश्चितता: हर पूर्वानुमान एक दायरा (रेंज) होता है

वायुमंडल अस्थिर और अप्रत्याशित (chaotic) होता है: शुरुआत में होने वाले छोटे-छोटे अंतर बाद में बड़े अंतर बन सकते हैं। इसलिए पूर्वानुमान लगाने वाले अक्सर थोड़े अलग शुरुआती बिंदुओं के साथ एक ही मॉडल को कई बार चलाते हैं। इस सेट को ensemble कहा जाता है। अगर ज़्यादातर रन एक जैसी बात कहते हैं, तो भरोसा बढ़ जाता है। अगर वे अलग-अलग दिशाओं में जाते हैं, तो पूर्वानुमान कम निश्चित होता है।
नोट
"बारिश की 60% संभावना" का मतलब यह नहीं है कि दिन के 60% हिस्से में बारिश होगी। इसका मतलब यह है कि ऐसे पूर्वानुमान वाले दिनों में, दस में से लगभग छह मामलों में बारिश होने की उम्मीद होती है। पूर्वानुमान एक संभावना (probability) है, कोई वादा नहीं।

मौसम और जलवायु एक नहीं हैं

मौसम का पूर्वानुमानजलवायु का अनुमान (Climate projection)
सवालक्या शुक्रवार को पुणे में बारिश होगी?आने वाले दशकों में बारिश के पैटर्न कैसे बदल सकते हैं?
समय सीमाकुछ घंटों से लेकर लगभग दो हफ़्ते तककई दशक
आज ML की भूमिकातेज़ पूर्वानुमान जो पिछले मौसम से सीखते हैंमॉडलों के कुछ हिस्सों को तेज़ करने और डेटा का विश्लेषण करने में मददगार
बड़ी चुनौतीअस्थिरता (chaos) और दुर्लभ चरम घटनाएँभविष्य की जलवायु वैसी न हो जैसा वह पुराना डेटा था जिससे मॉडल ने सीखा था

यह भारत के लिए क्यों महत्वपूर्ण है

मानसून पूरे भारत में खेती, पानी की आपूर्ति, बिजली और रोज़मर्रा की ज़िंदगी को तय करता है। यह कब शुरू होता है, कहाँ और कितनी बारिश होती है, और बारिश के बीच आने वाले ठहराव — ये सब किसानों के लिए यह तय करने में मायने रखते हैं कि बुवाई कब की जाए। भारी बारिश, चक्रवात और लू (heatwaves) लोगों की जान जोखिम में डालते हैं। बेहतर और तेज़ पूर्वानुमान, जिसमें अनिश्चितता भी साफ़ बताई गई हो, लोगों को तैयारी करने में मदद कर सकते हैं।
भारत मौसम विज्ञान विभाग (IMD) भारत के आधिकारिक पूर्वानुमान और चेतावनियाँ जारी करता है। भारत और अन्य जगहों के शोधकर्ता यह पता लगा रहे हैं कि मशीन लर्निंग कैसे मानसून और चरम मौसम की भविष्यवाणी को बेहतर बना सकती है। सुरक्षा से जुड़े फैसलों के लिए, हमेशा आधिकारिक चेतावनियों का ही पालन करें।
असली उदाहरण
विदर्भ का एक किसान देखता है कि दो ऐप अगले हफ़्ते के लिए अलग-अलग पूर्वानुमान दे रहे हैं। यह कोई गड़बड़ी नहीं है: यह अनिश्चितता है। काम का सवाल यह है कि हर पूर्वानुमान पर कितना भरोसा किया जा सकता है, और आधिकारिक एजेंसी की क्या सलाह है।

और देखें और पढ़ें

लैब

एक हफ़्ते की पूर्वानुमान डायरी, जिसमें पूर्वानुमानों की तुलना इस बात से की जाती है कि आपके यहाँ वास्तव में क्या हुआ।

~20 min

समस्या

इस लैब में एक हफ़्ते तक रोज़ाना कुछ मिनट लगते हैं। आपको एक फ़ोन या अखबार की ज़रूरत होगी।

  1. पूर्वानुमान के दो स्रोत चुनें, उदाहरण के लिए आधिकारिक IMD पूर्वानुमान और कोई एक मौसम ऐप।
  2. हर सुबह, कल के लिए दोनों स्रोतों का पूर्वानुमान लिखें: बारिश हाँ या ना (या बारिश की संभावना) और अधिकतम तापमान।
  3. अगले दिन, लिखें कि वास्तव में क्या हुआ (क्या आपके यहाँ बारिश हुई? लगभग कितनी गर्मी थी?)।
  4. सात दिनों के बाद, एक तालिका बनाएँ: तारीख, स्रोत A, स्रोत B, वास्तव में क्या हुआ।
  5. जवाब दें: कौन-सा स्रोत ज़्यादातर समय सटीक रहा? क्या स्रोतों के बीच कभी असहमति थी? जब वे असहमत थे, तो क्या हुआ?

आपका काम तब पूरा होगा जब

कठिन सवाल

उत्तर देखने से पहले ख़ुद जवाब देने की कोशिश करें। अगर आप इनके जवाब दे सकते हैं, तो आप पाठ समझ गए हैं।

Q1स्रोत A सात में से छह दिन सही था। क्या आप कह सकते हैं कि यह बेहतर पूर्वानुमान है?दिखाएं

विश्वास के साथ नहीं। सात दिन बहुत छोटा सैंपल है, और एक हफ़्ते के मौसम का पूर्वानुमान लगाना आसान हो सकता है (उदाहरण के लिए, सूखे दिनों का दौर)। पूर्वानुमान एजेंसियाँ कई महीनों, कई जगहों और कई प्रकार के मौसम के आधार पर मॉडलों को परखती हैं, और वे भारी बारिश जैसे कठिन दिनों पर विशेष ध्यान देती हैं।

Q2दिन बीतने से पहले ही पूर्वानुमान को लिख लेना क्यों ज़रूरी है?दिखाएं

अगर आप बात बीत जाने के बाद पीछे मुड़कर देखें, तो यह याद रखना आसान होता है कि भविष्यवाणियाँ असल से ज़्यादा सटीक थीं, या फिर उस स्रोत को चुन लेना जो सही निकला। भविष्यवाणियों को पहले से दर्ज करना ईमानदार विज्ञान का एक बुनियादी नियम है। यह ठीक उसी तरह का विचार है जैसे डेटा इकट्ठा करने से पहले स्टडी प्लान रजिस्टर करना।

जारी रखने के लिए कृपया साइन इन करें।

अक्सर पूछे जाने वाले सवाल

अगर ML मॉडल इतने तेज़ हैं, तो सिर्फ़ उन्हीं का इस्तेमाल क्यों नहीं किया जाता?

वे अपनी शुरुआती स्थितियों और अपने ज़्यादातर ट्रेनिंग डेटा के लिए भौतिकी-आधारित प्रणालियों पर निर्भर करते हैं। उन्हें उन चरम घटनाओं के साथ भी परेशानी हो सकती है जो पुराने डेटा में बहुत दुर्लभ हैं। एजेंसियाँ भौतिकी के मॉडलों के साथ-साथ इनका परीक्षण करती हैं, और कई लोग इन दोनों को साझेदार के रूप में देखते हैं।

क्या AI महीनों पहले ही मानसून की भविष्यवाणी कर सकता है?

लंबी अवधि के पूर्वानुमान, जैसे मौसमी मानसून का अनुमान, अगले हफ़्ते के पूर्वानुमानों की तुलना में ज़्यादा कठिन होते हैं और उनमें अनिश्चितता ज़्यादा होती है। शोधकर्ता इस बात का अध्ययन कर रहे हैं कि मशीन लर्निंग इसमें कैसे मदद कर सकती है। किसी भी मौसमी पूर्वानुमान को एक संभावना समझें, कोई पक्का जवाब नहीं।

अलग-अलग मौसम ऐप अलग-अलग जानकारी क्यों देते हैं?

वे अलग-अलग मॉडल, अलग शुरुआती डेटा या मॉडल के नतीजों को एक साधारण आइकन में बदलने के अलग-अलग तरीके इस्तेमाल कर सकते हैं। चूँकि वायुमंडल अप्रत्याशित (chaotic) होता है, इसलिए छोटे अंतर बड़े बन सकते हैं। आधिकारिक पूर्वानुमान देखें और अनिश्चितता पर ध्यान दें।

क्या ML जलवायु परिवर्तन के शोध में मदद कर सकता है?

हाँ, कुछ हिस्सों में: जलवायु मॉडलों के धीमे चलने वाले हिस्सों को तेज़ करने में, सैटेलाइट डेटा का विश्लेषण करने में, या स्थानीय स्तर के बारीक ब्योरे देने में। लेकिन जलवायु के अनुमान ऐसे भविष्य के बारे में पूछते हैं जो अतीत से अलग हो सकता है, इसलिए भौतिकी-आधारित समझ हमेशा केंद्र में रहती है।

पाठ का टेस्ट

5 सवाल। पास होने और इस पाठ को पूरा करने के लिए 3 सही होने चाहिए (60%)।

टेस्ट देने और अपनी प्रोग्रेस सेव करने के लिए साइन इन करें