چنگہوا یونی سی ایم کو متحدہ ماڈلنگ کے ذریعے متعدد موسمی ماڈلز کو بہتر بناتا ہے، جس سے موسمی پیشگوئی کی درستگی بڑھتی ہے

مضمون کے مصنف، ذریعہ: 36Kr

[ہدایت] تشنگہوا ٹیم نے UniCM ماڈل پیش کیا ہے، جو کئی موسمی ماڈلز کے باہمی اثرات کو سیکھنے کے لیے ایک یکجا فریم ورک استعمال کرتا ہے، جس سے AI کو عالمی موسمی نظام کے پیچیدہ تعلقات کو بہتر طور پر سمجھنے میں مدد ملتی ہے۔ یہ کامیابی نہ صرف موسمی پیشگوئی کی درستگی اور فوریت میں اضافہ کرتی ہے، بلکہ AI کو موسمی عمل کے جائزے کا ایک ذریعہ بنا دیتی ہے، جس کا تحفظ، زراعت اور دیگر شعبوں میں اہم اہمیت ہے۔

موسمی پیشگوئی کے حوالے سے، لوگ عام طور پر ایل نینو (ENSO) کو سب سے زیادہ جانتے ہیں۔

تاہم، عالمی موسمیات ایک منفرد موسمی ظاہر کے ذریعے تعین نہیں ہوتی۔ ENSO کے علاوہ، ہندوستانی مہری کا جوڑا (IOD)، ٹروپیکل شمالی اٹلانٹک موڈ (TNA)، اور شمالی پیسیفک میریڈینل موڈ (NPMM) جیسے کئی موسمی موڈز ایک ساتھ موجود ہیں اور عالمی نظام کے طور پر ایک ڈائنامک کوپلڈ سسٹم تشکیل دیتے ہیں جو سمندری بیسن کے درمیان دوربین کنکشن اور سمندر-ہوا تعامل کے ذریعے کام کرتا ہے۔

طویل عرصے سے، زیادہ تر پیشگوئی کے طریقے اکثر ایک منفرد موسمی ماڈل یا صرف کچھ ماڈلز کے درمیان تعلق پر توجہ مرکوز کرتے ہیں، جس سے عالمی موسمی نظام میں پیچیدہ غیر خطی ت tương tác کو درست طور پر ظاہر کرنا مشکل ہوتا ہے۔ UniCM متعدد اہم موسمی ماڈلز کو ایک ہی یکجا فریم ورک میں شمولیت دیتا ہے اور عالمی سمندر—ہوا نظام کو ایک باہمی طور پر منسلک مجموعہ کے طور پر دیکھتا ہے۔

ہالی، تشنگہوا یونیورسٹی کے الیکٹرانک انجینئرنگ ڈپارٹمنٹ کے پروفیسر لی یونگ کی ٹیم نے نیچر میشین انٹیلی جنس میں "گلوبل کلیمیٹ موڈس کے کوپلڈ ڈائینامکس کا سیکھنا" عنوان سے تحقیقی مقالہ شائع کیا، جس میں یونیفایڈ کلیمیٹ ماڈل (UniCM) کا پیش کیا گیا۔

کاغذ کا لنک: https://www.nature.com/articles/s42256-026-01245-5

تحقیقی ٹیم نے پایا کہ موسمی نظام کی پیشگوئی کی صلاحیت صرف منفرد موسمی ظواہر سے نہیں، بلکہ کئی موسمی ماڈلز کے درمیان لمبے عرصے تک قائم جوڑوں سے بھی آتی ہے۔ ان جوڑوں کی گتی کو سیکھ کر، UniCM قدیم طریقوں کے لیے مشکل سے قابل استعمال "اُبھرتی ہوئی پیشگوئی" (Emergent Predictability) کو فروغ دیتا ہے۔

یہ تحقیق روایتی موسمی پیشگوئی کے "ایک ہی ماڈل، الگ الگ پیشگوئی" کے نقطہ نظر کو عبور کرتی ہے، اور پہلی بار عالمی جوڑے گئے نظام کے منظر سے، متعدد سمندری—ہوا والے موسمی ماڈلز کے درمیان پیچیدہ گتیاتی تعلقات کا ایک ہم آہنگ سیکھنا ممکن بناتی ہے، جس سے طویل مدتی موسمی پیشگوئی، extreme موسمی واقعات کی انتباہ، اور AI سے چلائی جانے والی موسمیاتی سائنس کی دریافتوں کے لیے نئی تحقیقی منظرنامہ فراہم ہوتا ہے۔

تحقیق کا پس منظر

پچھلے کچھ سالوں میں موسمی پیشن گوئی کے شعبے میں مصنوعی ذہانت کی تیزی سے ترقی ہوئی ہے۔ کئی AI ماڈلز نے پانچ سے ہفتہ کے مقیاس پر اعلی درجہ کی موسمی پیشن گوئی حاصل کر لی ہے۔

تاہم، موسمی پیشگوئیاں لمبے وقت کے مقیاس پر مسائل پر توجہ مرکوز کرتی ہیں: اگلے کچھ ماہ، سال یا اس سے زیادہ عرصے تک عالمی موسمی نظام کیسے ترقی کرے گا؟ کن علاقوں میں خشک سالی، بہاؤ، گرمی کی لہر جیسے انتہائی واقعات ظاہر ہو سکتے ہیں؟ ان مسائل میں مختلف سمندر اور جوہری نظاموں کے درمیان پیچیدہ متعدد مقیاسی تعاملات شامل ہیں۔

موجودہ طریقے عام طور پر موسمی ماڈلز کو باہمی طور پر الگ الگ اشیاء کے طور پر دیکھتے ہیں، جبکہ حقیقی دنیا کا موسمی نظام ایک انتہائی جڑا ہوا پیچیدہ نیٹ ورک ہے۔ AI کو صرف "پیشگوئی کرنے کے علاوہ"، ان ماڈلز کے درمیان لمبے عرصے تک کے جڑنے کے تعلقات کو سمجھنے میں سائنسدانوں کی مدد کرنے کا طریقہ تلاش کرنا، AI for Science کے شعبے میں ایک اہم چیلنج بن گیا ہے۔

"دو نظریات" یکسان موسمی ماڈل

اس مسئلے کو حل کرنے کے لیے، تحقیقی ٹیم نے UniCM دو شاخ والی ساخت ڈیزائن کی۔

ماڈل میں دو مرکزی ماڈیول شامل ہیں:

1. Globalformer: مقامی فزیکل فیلڈ کے ترقی کا مطالعہ

Globalformer، سمندری سطح کے درجہ حرارت (SST)، ہوا کی تنش، تھرموکلائین کی گہرائی اور اوپری سمندری درجہ حرارت جیسے اہم فزیکل متغیرز کو معالجہ کرتا ہے اور باریک تفصیل والے موسمی میدانوں سے موسمی نظام کے وقتی اور فضاوی ترقی کے قوانین سیکھتا ہے۔

2. Modeformer: موسمی اقسام کے درمیان تعلقات سیکھنا

Modeformer سات اہم موسمی نمونوں ENSO، IOD، TNA، NPMM، SPMM، IOB اور SIOD پر توجہ مرکوز کرتا ہے، اور ان کے درمیان غیرخطی تفاعل اور مشترکہ ترقی کے عمل کو سیکھتا ہے۔

مزید اہم بات یہ ہے کہ UniCM نے دو طرفہ جوڑ کا نظام قائم کیا: ایک طرف، مقامی فزیکل فیلڈ بڑے پیمانے پر موسمی نمونوں کو پیدا کرتا ہے؛ دوسری طرف، تشکیل پانے والے موسمی نمونے مقامی فزیکل فیلڈ کے مستقبل کے ترقی پر اپنا اثر ڈالتے ہیں۔ تحقیقی ٹیم نے اس نظام کو "mode-to-patch guidance" کہا ہے، یعنی بڑے پیمانے پر موسمی حالت کا استعمال کرکے مقامی پیشگوئی کو ہدایت دینا، جس سے مقامی سے کلی، اور پھر کلی سے مقامی تک ایک بند حلقوں کا ماڈلنگ حاصل ہوتا ہے۔

ENSO کو عالمی سطح پر اہم ترین موسمی ماڈل میں سے ایک اور لمبے عرصے تک موسمی پیشگوئی کے شعبے میں سب سے چیلنجنگ کام سمجھا جاتا ہے۔

مطالعہ کے نتائج سے پتہ چلتا ہے کہ 1980–2023 کے مشاہداتی ڈیٹا کے جائزے میں، UniCM 24 ماہ کے پیش بینی ونڈو میں متعدد نمائندہ بنیادی ماڈلز سے مستقل طور پر بہتر ثابت ہوا۔ یہ ماڈل ENSO کی مؤثر پیش بینی کی مدت کو 19 ماہ تک بڑھا سکتا ہے، جبکہ پہلے کے جدید ماڈلز عام طور پر صرف 15 سے 16 ماہ تک محدود رہے۔

اسی طرح، طویل عرصے سے موسمی پیشگوئی کے شعبے میں "بہاری قابل پیشگوئی رکاوٹ" کے مسئلے میں UniCM بھی واضح فائدہ دکھاتا ہے۔ ماڈل شمالی نصف کرہ کی بہار کے دوران بھی اعلیٰ پیشگوئی کے مہارت کو برقرار رکھتا ہے اور موثر پیشگوئی کی صلاحیت کو تقریباً 14 ماہ تک بڑھاتا ہے۔

علاوہ ازیں، یونی سی ایم نے 1997–1998 کے سپر ال نینو اور 2020–2023 کے تین متصل سالوں کے "ٹرپل لانینا" واقعات کو بھی درست طریقے سے دوبارہ بنایا، جس نے ان تاریخی انتہائی واقعات کے آغاز، ترقی اور کمزوری کے مراحل کو درست طور پر پکڑا۔

UniCM صرف ENSO کی پیشگوئی کرنے میں ماہر نہیں بلکہ ایک ہی فریم ورک میں ENSO، IOD، IOB، SIOD، SPMM، NPMM اور TNA سمیت سات اہم موسمی ماڈلز کی ایک ساتھ پیشگوئی بھی کرتا ہے۔

نتائج سے ظاہر ہوتا ہے کہ ماڈل کی کئی موسمی ماڈلز پر پیشگوئی کی صلاحیت موجودہ نمائندہ طریقوں سے بہتر ہے۔ خاص طور پر، کچھ مشکل پیشگوئی والے غیر ENSO ماڈلز پر اوسط پیشگوئی کا تقاضا 22 فیصد سے زیادہ بڑھ گیا؛ IOD کے لیے مؤثر پیشگوئی کا وقت تقریباً 7 ماہ تک پہنچ گیا۔

اہم بات یہ ہے کہ UniCM مختلف موسمی ماڈلز کے درمیان حقیقی تاخیری تعلقات کو درست طریقے سے دوبارہ تشکیل دے سکتا ہے۔ مثال کے طور پر، اس نے NPMM کے ENSO سے تقریباً چار ماہ آگے کے فزیکل ربط کو کامیابی سے دوبارہ ظاہر کیا، اور متعدد سمندری بیسنوں کے درمیان جڑے ہوئے موسمی ماڈلز کی ساخت کو بھی۔

یہ ظاہر کرتا ہے کہ ماڈل نے صرف احصائی تعلق نہیں سیکھا بلکہ عالمی موسمیاتی نظام میں موجود حقیقی فزیکل کپلنگ میکنزمز سیکھے ہیں۔

پیش بینی کی صلاحیت کے علاوہ، UniCM کی مضبوط وضاحت کی صلاحیت بھی ہے۔

تحقیقی ٹیم نے ماڈل کے اندر توجہ کے مکانیزم کا تجزیہ کرکے پایا کہ بڑے ENSO واقعات سے پہلے، ماڈل فزیکل معنی رکھنے والے اہم علاقوں اور اہم موڈ رابطوں پر خودکار طور پر توجہ مرکوز کرتا ہے۔

مثال کے طور پر، 1997 کے سپر ال نینو واقعہ سے پہلے ماڈل نے NPMM کے اہم ابتدائی کردار کو شناخت کیا؛ کچھ پیچیدہ موسمی واقعات میں، TNA کے اہم مرکزی کردار کا پتہ چلا۔ متعلقہ دریافتوں کا موسمی فزکس کے موجودہ تحقیقی نتائج کے ساتھ زبردست مطابقت ہے۔

اس کا مطلب یہ ہے کہ UniCM صرف مستقبل کی موسمی حالت کا پیش گوئی نہیں کر سکتا، بلکہ سائنسدانوں کو ممکنہ مکینیزمز کی دریافت اور نئی سائنسی فرضیات پیش کرنے میں بھی مدد کر سکتا ہے، جس سے یہ موسمیاتی سائنسی تحقیق کا اہم معاون آلہ بن جاتا ہے۔

مستقبل کے استعمال اور ترقیاتی آفاق

گلوبل کلیمیٹ تبدیلی کے سیاق و سباق میں، طویل مدتی موسمی پیشگوئی کا اہمیت بڑھتی جا رہی ہے۔ زیادہ درست اور زیادہ لمبی مدت کی موسمی پیشگوئیاں زراعت، پانی کے منصوبہ بندی، توانائی کی ترتیب، مچھلی پالنے اور آفات سے بچاؤ اور کمی کے شعبوں میں ب без سیدھا خدمت کریں گی۔

تحقیقی ٹیم کا خیال ہے کہ UniCM صرف ایک نئی موسمی پیشگوئی ماڈل نہیں بلکہ پیچیدہ نظاموں کے لیے ایک یکجا ماڈلنگ سوچ بھی ہے۔ مستقبل میں، یہ فریم ورک موسمی اتار چڑھاؤ، دہائیوں کے موسمی تبدیلیوں، اور عالمی گرمی کے تناظر میں موسمی ماڈلز کے ترقی کے مطالعے تک وسعت دی جا سکتی ہے، اور مزید طور پر "مقامی عمل—کلی ساخت" کے دو طرفہ جڑے ہوئے خصوصیات والے دیگر پیچیدہ نظاموں میں заастعمل کیا جا سکتا ہے۔

"موسم کی پیشگوئی" سے "موسمیات کو سمجھنا" اور پھر "نمائندگیوں کی دریافت" تک، یونی سی ایم نے زمینی نظام کی علوم میں صنعتی ذہانت کے نئے امکانات کو ظاہر کیا ہے: سچی اہم پیشگوئی کی معلومات شاید کسی ایک موسمی اشارے میں چھپی نہیں ہوتیں، بلکہ پورے موسمی نظام کے مستقل ترقی پذیر جوڑوں میں موجود ہوتی ہیں۔

حوالہ جات: https://www.nature.com/articles/s42256-026-01245-5