पृथ्वी प्रणाली मॉडल पर्यावरणिक परिवर्तन को पूर्वानुमान लगाने के लिए महत्वपूर्ण उपकरण हैं, जो हमें भविष्य की तैयारी करने में मदद करते हैं। हालाँकि, इन मॉडलों की गणना की आवश्यकता बहुत अधिक होती है, जो उन्हें पर्याप्त विशिष्टता में चलाने से रोक देती है। वर्तमान में, अधिकांश मॉडलों की विशिष्टता लगभग 100 किमी है, जो हवाई के आकार के बराबर है, जिससे विशिष्ट क्षेत्रों पर सटीक पूर्वानुमान लगाना कठिन हो जाता है। हालाँकि, कृषि, पानी के संसाधनों की योजना बनाने और आपदा प्रबंधन जैसे वास्तविक उपयोग में, लगभग 10 किमी की शहरी विशिष्टता पर पूर्वानुमान लगाना बहुत महत्वपूर्ण है। इसलिए, इन मॉडलों की विशिष्टता को बढ़ाना समुदायों को बेहतर ढंग से संरक्षित करने और स्थानीय निर्णय लेने को अधिक कुशल बनाने में महत्वपूर्ण है।
**AI और भौतिक मॉडलिंग का एकीकरण: गतिमान उपनिमिति विधि **
गूगल के शोधकर्ताओं ने एक नई विधि जारी की है, जो पारंपरिक भौतिक जलवायु मॉडलिंग को जनरेटिव AI के साथ जोड़ती है, जिससे क्षेत्रीय पर्यावरणीय जोखिमों का मूल्यांकन किया जा सके। इस विधि को "गतिमान उपनिमिति विधि" कहा जाता है, जो एक जटिल पैटर्न जानने वाली AI, जिसे फैली हुई वैश्विक जलवायु पूर्वानुमानों को लगभग 10 किमी विशिष्टता वाले प्राकृतिक प्रान्तीय पूर्वानुमानों में बदलने में सक्षम है, का उपयोग करती है। इस विधि ने विशाल आकार के मॉडलों और वास्तविक निर्णय लेने की जरूरतों के बीच की अंतरफलक को भर दिया है, और वर्तमान परिवर्तनों के डेटा में व्यापक रूप से उपयोग करने वाले वर्तमान उच्च विशिष्टता तकनीकों की तुलना में अधिक कुशल और आर्थिक रूप से अधिक लाभदायक है।
**R2D2: यथार्थता और प्रभावशीलता में सुधार का नया तरीका **
विशिष्ट विशिष्टता (लगभग 10 किमी) के अंतर्गत प्रान्तीय परिवर्तनों को समझने के लिए, वैज्ञानिक आमतौर पर एक ऐसी विधि का उपयोग करते हैं, जिसे डायनेमिक डाउनसैंपलिंग कहा जाता है। इस प्रक्रिया में, वैश्विक जलवायु मॉडल से व्यापक डेटा निकाला जाता है, और इसे क्षेत्रीय जलवायु मॉडल के माध्यम से विशिष्टता में बदल दिया जाता है, जैसे कि वैश्विक मानचित्र को बड़े पैमाने पर बढ़ाया जाए और अधिक विस्तृत जानकारी का पता लगाया जाए। हालाँकि, यह तकनीक टोपोग्राफी और क्षेत्रीय जलवायु पैटर्नों को मानने वाली सटीक स्थानीय पूर्वानुमान प्रदान करती है, इसकी गणना की लागत बहुत अधिक होती है, जिससे इसका व्यापक रूप से विभिन्न जलवायु परिस्थितियों में उपयोग करना धीमा और महंगा बना देती है। उल्लेखनीय रूप से, साधारण सांख्यिकीय विधियाँ तेज होती हैं, लेकिन आमतौर पर अत्यधिक घटनात्मक घटनाओं को मॉडल करने में या भविष्य की नए परिस्थितियों को अनुकूलित करने में विफल रहती हैं।
इन चुनौतियों को हल करने के लिए, शोधकर्ताओं ने एक अधिक कुशल विधि पेश की है, जो भौतिक मॉडल और जनरेटिव AI के लाभ को समायोजित करती है। इस दो-चरण के प्रक्रिया का पहला चरण भौतिक समलेखन के माध्यम से वैश्विक डेटा को मध्यम विशिष्टता तक निचला ले जाता है, जिससे विभिन्न वैश्विक मॉडलों के बीच समरूपता बनाई जाती है। फिर, नामांकित R2D2 जनरेटिव AI मॉडल उच्च विशिष्टता के उदाहरणों से सीखता है और छोटे पैमाने पर जलवायु विशिष्टताओं को भरता है, जैसे कि टोपोग्राफी से प्रभावित छोटे पैमाने पर जलवायु विशिष्टताएं। मध्यम विशिष्टता और उच्च विशिष्टता के बीच के अंतर को ध्यान में रखते हुए, R2D2 ने यथार्थता को बढ़ाया और अनदेखे परिस्थितियों में बेहतर विस्तार प्रदान करने में कामयाबी हासिल की है। इस संयोजन विधि के कारण, व्यापक भविष्य की परिस्थितियों में स्थानीय जलवायु का पूर्वानुमान तेज, आर्थिक रूप से सस्ता और अधिक सटीक हो सकता है।
** महत्वपूर्ण परिणाम और भविष्य के उपयोग **
नई विधि का परीक्षण करने के लिए, शोधकर्ताओं ने अमेरिका के पश्चिमी क्षेत्र से एक उच्च विशिष्टता जलवायु पूर्वानुमान का मॉडल प्रशिक्षित किया, और इसे सात अन्य पूर्वानुमानों पर मूल्यांकन किया। साधारण सांख्यिकीय विधियों की तुलना में, उनका AI-चलित उपनिमिति मॉडल तापमान, आर्द्रता और बादल की गति जैसी चरित्रांकों के पूर्वानुमान में 40% से अधिक त्रुटि कम करता है। इसके साथ ही, इस विधि ने जटिल जलवायु पैटर्नों को अधिक सटीक ढंग से पकड़ा, जैसे कि गर्मी और सूखे का संयोजन, या बादलों से जुड़े वन्याग्नि का खतरा। इस विधि ने यथार्थता और कुशलता दोनों को सुधार दिया, और इसके प्रयोग में गणना की आवश्यकता वाले संसाधनों को पारंपरिक उच्च विशिष्टता समलेखन की तुलना में बहुत कम किया गया।
