Read Time:25 Minute

വൈശാഖൻ തമ്പി

ശാസ്ത്രപ്രചാരകൻ

ശാസ്ത്രഗതി എഡിറ്റോറിയൽ ബോർഡ് അംഗം

കാലാവസ്ഥാ പ്രവചനത്തിൽ മോഡലുകളെ അടിസ്ഥാനമാക്കുന്നത് എങ്ങനെയെന്നും ന്യൂമറിക്കൽ പ്രവചനം എന്താണെന്നും കാലാവസ്ഥാ പ്രവചനത്തിൽ കെയോസ് ഉയർത്തുന്ന വെല്ലുവിളി എന്താണെന്നും വിശദമാക്കുന്നു. 2024 ജൂൺലക്കം ശാസ്ത്രഗതി മാസികയിൽ പ്രസിദ്ധീകരിച്ച ലേഖനം

കാലാവസ്ഥാ പ്രവചനത്തെ ഒരു തമാശയായി കരുതുന്നവർ ഇക്കാലത്തും ഒരുപാടുണ്ട്. മനുഷ്യന്റെ അദ്ഭുതപ്പെടുത്തുന്ന സാങ്കേതികപുരോഗതി നേരെ കൺമുന്നിലുള്ള ഇക്കാലത്തും, മഴയും കൊടുങ്കാറ്റും മുൻ കൂട്ടി കാണാൻ നമുക്ക് പലപ്പോഴും കഴിയാതെ പോകുന്നത് എന്തുകൊണ്ടാണ്? ആർക്കാണ് പിഴയ്ക്കുന്നത്? എവിടെയാണ് കുഴപ്പം?

കാലാവസ്ഥയെ മുൻകൂട്ടി കാണാനുള്ള ശ്രമത്തിന്, രേഖപ്പെടുത്തപ്പെട്ട മനുഷ്യചരിത്രത്തോളം തന്നെ പഴക്കമുണ്ട്. ഇന്നത്തെ കാലാവസ്ഥാ പ്രവചനം, അന്തരീക്ഷത്തിന്റെ വർത്തമാന സമയത്തെ സൂചകങ്ങൾ (താപനില, മർദം, ആർദ്രത, എന്നിങ്ങനെ) അളന്ന്, അതിനെ ഭൗതിക നിയമങ്ങളുടെ അടിസ്ഥാനത്തിൽ അപഗ്രഥിച്ച്, ഭൂതകാലത്തെ അന്തരീക്ഷസ്ഥിതിയുമായി താരതമ്യം ചെയ്തും കമ്പ്യൂട്ടർ മോഡലിങ് ചെയ്തുമൊക്കെയാണ് സാധിയ്ക്കുന്നത്. പക്ഷേ, അന്തരീക്ഷ സൂചകങ്ങളെ അളക്കുന്നതിനുള്ള ഉപകരണങ്ങൾ വരുന്നതിനും മുമ്പ്, അന്തരീക്ഷസ്ഥിതിയിലെ പാറ്റേണുകൾ മനസ്സിലാക്കി, ഭാഗികമായി മുൻകൂട്ടി പ്രവചിക്കാനുള്ള വഴികൾ ഉണ്ടായിരുന്നു. ചില നിരീക്ഷണങ്ങളോ പ്രതിഭാസങ്ങളോ ഒക്കെ തെളിഞ്ഞ അന്തരീക്ഷത്തിന്റെ മുൻസൂചനകളായും മറ്റ് ചിലവ പ്രക്ഷുബ്ധമാകാൻ പോകുന്ന അന്തരീക്ഷത്തിന്റെ മുൻസൂചനകളായും പണ്ടുള്ളവർ തിരിച്ചറിഞ്ഞിരുന്നു. മരങ്ങളുടെ ഇലച്ചാർത്തുകളിലെ മാറ്റം, പക്ഷികളുടെ പെരുമാറ്റം എന്നിങ്ങനെ പലതും കാലാവസ്ഥാ സൂചകങ്ങളായി ഉപയോഗിക്കപ്പെട്ടിട്ടുണ്ട്. അവയിൽ ചിലതൊക്കെ ശരിയായ പ്രവചനങ്ങൾക്ക് സഹായിച്ചിരുന്നുവെങ്കിലും, അത്തരം പരമ്പരാഗത വിജ്ഞാനങ്ങളെ അതേപടി മുഖ വിലയ്ക്കെടുക്കാൻ കഴിയില്ല. അവയിൽ പലതിനും സാർവത്രികമായ സ്വഭാവമുണ്ടായിരുന്നില്ല എന്നതും, അത് കണ്ടെത്തപ്പെട്ടത് ശാസ്ത്രീയമായ രീതിയിലൂടെയല്ല എന്നതുമൊക്കെ കാരണങ്ങളാണ്.

ശാസ്ത്രം പാരിമാണികമായിട്ടാണ് (quan- titative) ഈ വിഷയത്തെ കൈകാര്യം ചെയ്യുന്നത്. അന്തരീക്ഷ സൂചകങ്ങളെ പരമാവധി കൃത്യതയോടെ അളക്കുന്നതിന് ഉപകരണങ്ങൾ വികസിപ്പിക്കപ്പെട്ടിട്ടുണ്ട്. അവയിൽ നിന്നുള്ള വിവരങ്ങൾ അപഗ്രഥിച്ച് ഭാവി അന്തരീക്ഷസ്ഥിതി മുൻ കൂട്ടി കണക്കാക്കാനുള്ള കമ്പ്യൂട്ടർ സാങ്കേതികവിദ്യകൾ ഇന്നുണ്ട്. അതുകൊണ്ട്, ഇന്ന് മരക്കൊമ്പോ ചേക്കേറുന്ന പക്ഷികളോ അല്ല, വെബ്സൈറ്റുകളും ടി വി റിപ്പോർട്ടുകളുമൊക്കെയാണ് നമുക്ക് കാലാവസ്ഥാ മുൻസൂചനകൾ തരുന്നത്. എന്നാൽ, ശാസ്ത്രീയമായ രീതിയിലൂടെയുള്ള കാലവസ്ഥാ പ്രവചനത്തിന് പഴക്കം വളരെ കുറവാണ്. അതിനു കാരണം, അന്തരീക്ഷത്തിന്റെ പല ഭാഗങ്ങളുടെ സ്ഥിതി ഒരുമിച്ച് കണക്കിലെടുത്ത് താരതമ്യം ചെയ്തുവേണം അന്തരീക്ഷം എങ്ങനെ പരിണമിക്കും എന്ന് കണക്കാക്കാൻ എന്നതായിരുന്നു.

ഇന്നത്തെ ഏറ്റവും പ്രധാനമായ കാലാവസ്ഥാ പ്രവചനരീതി മോഡലുകളെ അടിസ്ഥാനപ്പെടുത്തിയുള്ളതാണ്. മോഡലുകൾ എന്നത് സാധാരണ വാക്കാണെങ്കിലും, ഇവിടെ അത് സവിശേഷ അർഥത്തിൽ ഉപയോഗിക്കപ്പെടുന്ന ഒരു സാങ്കേതിക പദമാണ്. അന്തരീക്ഷത്തിന്റെ വിവിധ സൂചകങ്ങൾ പരസ്പരം എങ്ങനെ പ്രതിപ്രവർത്തിക്കുന്നു എന്ന് വിശദീകരിക്കുന്ന ഗണിത സമവാക്യങ്ങളാണ് കാലാവസ്ഥാ മോഡലുകളെന്ന് ലളിതമായി പറയാം.

അന്തരീക്ഷാവസ്ഥവല്ലാതെ ചലനാത്മകമായതു കൊണ്ടുതന്നെ, ഈ സമവാക്യങ്ങളും സങ്കീർണ്ണമായവയാണ്. ഇവയുടെ അടിസ്ഥാനത്തിൽ പ്രവർത്തിക്കുന്ന ഇന്നത്തെ ഏറ്റവും ഫലപ്രദമായ കാ ലാവസ്ഥാ പ്രവചന സങ്കേതമാണ് ന്യൂമെറിക്കൽ പ്രവചനം (Numerical forecast). അന്തരീക്ഷത്തിന്റെ ഗതിവിഗതികളെ നിയന്ത്രിക്കുന്ന ഭൗതിക നിയമങ്ങളെ കൃത്യമായി മനസ്സിലാക്കിയശേഷമാണ് ഈ രീതിയെക്കുറിച്ച് ചിന്തിക്കാൻ തുടങ്ങിയത് എന്നതുകൊണ്ടുതന്നെ, അത് ഇരുപതാം നൂറ്റാണ്ടിൽ മാത്രമാണ് സാധ്യമായത്. 1920-കളിൽ പരീക്ഷിച്ചുതുടങ്ങിയതാണെങ്കിലും, ന്യൂമെറിക്കൽ കണക്കുകൂട്ടലുകളുടെ അടിസ്ഥാനം ശക്തമായ കമ്പ്യൂട്ടിങ് ശേഷിയുള്ള കമ്പ്യൂട്ടറുകളായതിനാൽ 1950-കളോടെയാണ് ഇത് ഫലപ്രദമായി പ്രയോഗിക്കാൻ കഴിഞ്ഞത്.

അന്തരീക്ഷവും സമുദ്രങ്ങളും ഓരോ നിമിഷവും പരസ്പരം പ്രതിപ്രവർത്തിച്ചുകൊണ്ടിരിക്കുന്നു. ഓരോ തന്മാത്രയുടേയും ചലനം അതിലൊരു പങ്ക് വഹിക്കുന്നുണ്ട്. നമ്മൾ കാണുന്ന പ്രതിഭാസങ്ങളും നമ്മൾ അനുഭവിക്കുന്ന അവസ്ഥകളുമൊക്കെ ആത്യന്തികമായി ഈ കണികകളുടെ പ്രതിപ്രവർത്തനങ്ങളുടെ ആകെത്തുകയാണ്. പറഞ്ഞുവരുമ്പോൾ, കോടാനുകോടി കണികകളാണ് ഇങ്ങനെ പരസ്പ‌രം പ്രതിപ്രവർത്തിക്കുന്നത്. അതുകൊണ്ടുതന്നെ, അതെത്ര സങ്കീർണ്ണമാണെന്ന് ഊഹിക്കാൻ പോലും പ്രയാസമായിരിക്കും. പക്ഷേ, അപ്പോഴും അവ അനുസരിക്കുന്നത് നമുക്കറിയാവുന്ന, നിർവചിക്കാവുന്ന ചില ഭൗതിക നിയമങ്ങളാണെന്നതും സത്യമാണ്. കണികകളുടെ സ്വഭാവവും അവയുടെ പരസ്പര പ്രതിപ്രവർത്തനത്തെ നിയന്ത്രിക്കുന്ന നിയമങ്ങളും നമുക്കറിയാമെങ്കിൽ, അതുപയോഗിച്ച് ഓരോ സമയത്തും ഇവ എങ്ങനെ പെരുമാറും എന്ന് നമുക്ക് പ്രവചിക്കാൻ കഴിയേണ്ടതല്ലേ?

ഈ ചോദ്യത്തിന്റെ ഉത്തരം, സൈദ്ധാന്തികമായി ‘അതേ’ എന്നതാണ്. പക്ഷേ, പ്രായോഗികമായി അവിടെ ധാരാളം വെല്ലുവിളികളുണ്ട്. ഇന്ന് കാലാവസ്ഥാ പ്രവചനത്തിൽ നാം നേരിടുന്നത് അത്തരം വെല്ലുവിളികൾ മാത്രമാണുതാനും. ന്യൂമെറിക്കൽ പ്രവചനം സത്യത്തിൽ നമ്മളീപ്പറഞ്ഞ രീതിയിൽത്തന്നെയാണ് വിഭാവനം ചെയ്യപ്പെട്ടിരിക്കുന്നത്. പക്ഷേ, ഓരോ കണികയേയും വെവ്വേറെ പരിഗണിച്ചാൽ ഉണ്ടാകാൻ പോകുന്നത്ര സങ്കീർണ്ണമായ കണക്കുകൂട്ടലുകൾ കൈകാര്യം ചെയ്യാൻ പറ്റിയ ഒരു കമ്പ്യൂട്ടർ അസാധ്യമാണെന്നുതന്നെ പറയാം. അത്രയും വലിയ കമ്പ്യൂട്ടിങ് പവർ നിലവിൽ നമുക്ക് സങ്കല്പിക്കാവുന്നതിലും അപ്പുറമാണ്. ഇവിടെ കണക്കുക്കൂട്ടാൻ കഴിയുമോ എന്നതുമാത്രമല്ല, കഴിയുമെങ്കിൽത്തന്നെ അതിന് എത്ര സമയം വേണ്ടിവരും എന്നതും നിർണ്ണായകമാണ് എന്നോർക്കണം. ഒരാഴ്ച കഴിയുമ്പോൾ അന്തരീക്ഷം എങ്ങനെ പെരുമാറും എന്നറിയാനുള്ള കണക്കുകൂട്ടലുകൾക്ക് ഒരു മാസം സമയമെടുക്കുമെങ്കിൽ അതുകൊണ്ട് പ്രയോജനമൊന്നുമില്ലല്ലോ.

ഓരോ കണികയേയും പിൻതുടരുന്നത് പ്രായോഗികമല്ല എന്നതിനാൽ, ന്യൂമെറിക്കൽ കണക്കുകൂട്ടലിൽ നമ്മൾ ചെയ്യുന്നത് അന്തരീക്ഷത്തെ കഷണങ്ങളായി തിരിച്ച് അവയോരോന്നിനേയും പിൻതുടരുക എന്നതാണ്. ഭൂമിയുടെ ഉപരിതലത്തെ ഒരു കിലോമീറ്റർ വശങ്ങളുള്ള സമ ചതുരങ്ങളാക്കി നമ്മൾ വീതിക്കുന്നു എന്ന് കരുതുക. അതായത്, ഓരോ ചതുരശ്ര കിലോമീറ്റർ വിസ്തീർണ്ണമുള്ള സമചതുരങ്ങൾ. ഇതിൽ ഓരോ സമചതുര പ്രദേശത്തിനും മുകളിൽ ഒരു കിലോമീറ്റർ ഉയരമുള്ള അന്തരീക്ഷഭാഗത്തെ സങ്കല്പിച്ചാൽ, ഭൂമിയുടെ അന്തരീക്ഷത്തിന്റെ ഏറ്റവും താഴെയുള്ള പാളിയെ (ഉപരിതലത്തിൽ സ്പർശിക്കുന്ന ഭാഗം) ഒരു ഘന കിലോമീറ്റർ വ്യാപ്തമുള്ള ക്യൂബുകളായി തിരിച്ചിരിക്കുന്നു എന്ന് കാണാം. ഈ ക്യൂബുകളുടെ മുകളിലായി പിന്നേയും ഇതുപോലുള്ള ക്യൂബുകളെ സങ്കല്പിക്കാമല്ലോ അല്ലേ? അങ്ങനെ ട്രോപ്പോസ്ഫിയറിനെ മൊത്തം പരിഗണിച്ചാൽ ഏതാണ്ട്, പതിനാറ് ക്യൂബുകൾ ഒന്നിനു മുകളിൽ ഒന്നായി അടുക്കിയിരിക്കുന്നതായി കണക്കാക്കാം. ചുരുക്കത്തിൽ, അന്തരീക്ഷത്തെ മൊത്തം ഒരു ഘനകിലോമീറ്റർ വ്യാപ്തമുള്ള ക്യൂബ് രൂപമുള്ള പാക്കറ്റുകളായി നമ്മൾ വീതിക്കുന്നു. ഇതുപോലെ, സമുദ്ര നിരപ്പിനു താഴെ അടിത്തട്ടുവരെ ജലത്തേയും ഇതുപോലെ പാക്കറ്റുകളാക്കാം. വലിയ ജലാശയങ്ങളിലും ഇതാവർത്തിക്കാം.

ഇനി കണികകൾക്ക് പകരം ഈ പാക്കറ്റിലോരോന്നിലും നമ്മൾ ശ്രദ്ധ കൊടുക്കുന്നു. ഓരോ പാക്കറ്റിന്റേയും സൂചകങ്ങൾ ആ പാക്കറ്റിനുള്ളിലെ ഒരു കാലാവസ്ഥാ സ്റ്റേഷൻ ഉപയോഗിച്ച് നമ്മൾ അളക്കുന്നു. അതായത്, ഓരോ പാക്കറ്റിന്റേയും താപനില, മർദം, ആർദ്രത, കാറ്റുദിശ, കാറ്റുവേഗത തുടങ്ങിയ സൂചകങ്ങളുടെ മൂല്യങ്ങൾ നമ്മൾ ശേഖരിക്കുന്നു. അത് തറനിരപ്പിലെ സ്റ്റേഷനുകളിൽ നിന്നാവാം, വിമാനങ്ങളിൽ നിന്നാകാം, വെള്ളത്തിൽ പൊങ്ങിക്കിടക്കുന്ന (weather buoys) സ്റ്റേഷനുകളിൽ നിന്നാവാം, അങ്ങനെ സാധ്യമായ എല്ലാ സ്രോതസ്സുകളിൽ നിന്നുമുള്ള ഡേറ്റയാണ്. ഇനി ഈ ഭീമമായ അളവിലുള്ള ഡാറ്റ ഒരു കമ്പ്യൂട്ടറിലേക്ക് നമ്മൾ കൊടുക്കുന്നു. സാങ്കേതികമായി ‘ഇൻപുട്ട് ചെയ്യുന്നു’ എന്ന് പറയാം. അതിനുള്ളിലെ പ്രോഗ്രാമിൽ, നമ്മൾ അന്തരീക്ഷ പ്രതിഭാസങ്ങളെക്കുറിച്ച് മനസ്സിലാക്കിയിട്ടുള്ള നിയമങ്ങൾ ഗണിത മോഡലുകളുടെ രൂപത്തിൽ നേരത്തെ ഉൾച്ചേർത്തിട്ടുണ്ട്. കമ്പ്യൂട്ടറിന് നമ്മൾ അകത്തേക്ക് കൊടുത്ത ഡാറ്റ, ഈ മോഡലുകളിൽ പ്രയോഗിച്ച്, അഞ്ച് സെക്കൻഡ് കഴിയുമ്പോൾ ഈ സൂചകങ്ങളുടെ മൂല്യം എന്താകും എന്ന് കണക്കാക്കാൻ കഴിയേണ്ടതല്ലേ? എറ്റവും ലളിതമായി പറഞ്ഞാൽ, ഇതാണ് ന്യൂമെറിക്കൽ കാലാവസ്ഥാ പ്രവചനം.

അഞ്ച് സെക്കൻഡ് കഴിഞ്ഞുള്ള പ്രവചനംകൊണ്ട് പ്രത്യേകിച്ച് പ്രയോജനമൊന്നുമില്ല എന്നുറപ്പാണ്. പക്ഷേ, അഞ്ച് സെക്കൻഡ് കഴിഞ്ഞുള്ളത് എന്ന പ്രവചനമായി കമ്പ്യൂട്ടർ തരുന്ന (“ഔട്ട്പുട്ട് ചെയ്യുന്ന’) ഈ സൂചകങ്ങൾ, പിന്നേയും അതേ മോഡലിലേക്ക് ഇൻപുട്ട് ആയി കൊടുത്താൽ പത്ത് സെക്കൻഡ് കഴിഞ്ഞുള്ള അവസ്ഥ ഔട്ട്പുട്ടായി കിട്ടും. ഈ പ്രക്രിയ ആവർത്തിച്ചാൽ, നിരന്തരമായ ആവർത്തനത്തിലൂടെ ഇതിനെ മുപ്പത് മിനിറ്റ്, ഒരു മണിക്കൂർ, ഒരു ദിവസം, ഒരു വർഷം എന്നിങ്ങനെ നീട്ടാം. പക്ഷേ, പ്രയോഗത്തിലേക്ക് വരുമ്പോൾ ഇങ്ങനെ നീട്ടുന്നതുകൊണ്ട് കാര്യമൊന്നുമില്ല എന്നതാണ് പ്രശ്‌നം. കാരണം, നമ്മളിതുവരെ പരിഗണിക്കാത്ത, നിർണ്ണായകമായ ഒരു ഘടകംകൂടി അവിടെയുണ്ട്; കൃത്യതയുടെ അളവ്.

നമ്മൾ എന്ത് സൂചകം അളന്നെടുത്താലും, എന്ത് കണക്കുകൂട്ടൽ നടത്തിയാലും അതിന് ഒരു സഹജമായ കൃത്യതക്കുറവ് (uncertainty) ഉണ്ട്. ഉദാഹരണത്തിന്, ഒരു ബുക്കിന്റെ വീതി സ്കെയിൽ ഉപയോഗിച്ച് 15.3 സെ മീ എന്ന് അളക്കുന്നു എന്നിരിക്കട്ടെ. എന്നാൽ, കുറച്ചുകൂടി സങ്കീർണ്ണമായ മറ്റൊരു ഉപകരണം ഉപയോഗിച്ച് അളന്നപ്പോൾ 15.32 സെ.മീ എന്നാണ് കിട്ടിയത് എന്നിരിക്കട്ടെ. അതുകൊണ്ട്, 15.3 എന്നത് ഒരു ‘തെറ്റായ’ അളവെടുപ്പാകുന്നില്ല, പക്ഷേ, കൃത്യതകുറഞ്ഞ അളവെടുപ്പാണ്. കൃത്യത എത്രത്തോളം കൂട്ടാം എന്ന ചോദ്യത്തിന് സാഹചര്യത്തിനനുസരിച്ച് എന്നേ മറുപടിയുള്ളൂ. കാരണം, കൃത്യതക്കുറവ് പൂജ്യമാകുന്ന ഒരു അവസ്ഥ സാധ്യമല്ല. ജനാലക്ക് വാതിൽ പിടിപ്പിക്കുമ്പോൾവേണ്ട കൃത്യത പോരാ, ഒരു മൊബൈൽ ഫോണിന്റെ ഉള്ളിലെ സ്ക്രൂവിന്റെ കനം നിർണ്ണയിക്കുമ്പോൾ എന്നത് മാത്രമാണ് പ്രായോഗിക തത്വം.

അന്തരീക്ഷ പാക്കറ്റുകളുടെ അളവെടുപ്പിലേക്ക് വരാം. നമ്മുടെ ആദ്യത്തെ അഞ്ച് സെക്കൻഡ് പ്രവചനത്തിന്റെ കൃത്യത 99.99% ആയിരുന്നു എന്ന് കരുതുക. ഓരോ ഔട്ട്പുട്ടും തൊട്ടടുത്ത ഇൻപുട്ടായി കൊടുത്ത് ആവർത്തിക്കുക എന്നതാണ് നമ്മുടെ രീതിയെന്ന് പറഞ്ഞു. 99.99% കൃത്യതയുള്ള ഔട്ട്പുട്ടിനെ ഇൻപുട്ടായി കൊടുത്താൽ അടുത്ത ഔട്ട്പുട്ടിന് 99.99% : 99.99% = 99.98% കൃത്യത മാത്രമേ അവകാശപ്പെടാനാകൂ. ഇത് മൂന്ന് തവണയാകുമ്പോൾ 99.97% ആകും. അതായത്, കൃത്യത കുറവുള്ള വിവരങ്ങൾ കൂടുതൽ തവണ ആവർത്തിച്ച് ഉപയോഗിക്കപ്പെടുന്തോറും കൃത്യതക്കുറവ് കൂടുതൽ വഷളായിക്കൊണ്ടിരിക്കും. ആയിരം തവണ ആവർത്തിച്ചാൽ ഇത് 99.0% കൃത്യതയുള്ള ഔട്ട്പുട്ടായിരിക്കും തരുന്നത്. പതിനായിരം തവണ ആവർത്തിക്കുമ്പോഴേയ്ക്കും കൃത്യത 36.79% ആയി മാറും. പതിനായിരം തവണയാവുമ്പോൾ പതിമൂന്ന് മണിക്കൂർ മുന്നിലേക്ക് മാത്രമേ പ്രവചനം എത്തുന്നുള്ളൂ എന്നോർക്കണം. ഒരു ലക്ഷം തവണയൊക്കെ ആകുമ്പോഴേയ്ക്കും കൃത്യത പ്രയോഗത്തിൽ 0% തന്നെയാകും. ഇതാണ് ഇവിടത്തെ പ്രശ്നം.

ഇപ്പറഞ്ഞത് ന്യൂമെറിക്കൽ പ്രവചനം എങ്ങനെ പ്രവർത്തിക്കുന്നു എന്ന് മനസ്സിലാക്കുന്നതിനുള്ള, അമിതമായി ലളിതവൽക്കരിച്ച ഒരു വിവരണമാണ്. പ്രയോഗത്തിൽ ഇത് അത്യധികം സങ്കീർണ്ണമായ ഒരു പ്രക്രിയയാണ്. ഇന്ന് ആറ് മുതൽ പത്ത് ദിവസം വരെ സാമാന്യം നല്ല പ്രവചന സാധ്യത നൽകാൻ ന്യൂമെറിക്കൽ കണക്കൂകൂട്ടലുകൾക്ക് കഴിയുന്നുണ്ട്. അപ്പോഴും ഓരോരോ പ്രദേശത്തിനും അതിന്റേതായ മോഡലുകൾ വികസിപ്പിക്കുക, കൂടുതൽ അടുത്തടുത്ത സ്ഥലങ്ങളിൽ നിന്ന് (ഫലത്തിൽ, മോഡലിലെ കാലാവസ്ഥാ പാക്കറ്റുകൾ ചെറുതാക്കുന്നു) ഡേറ്റ ശേഖരിക്കാൻ കഴിയുക, ശേഖരിക്കുന്ന ഡേറ്റയുടെ കൃത്യത പരമാവധി കൂട്ടുക എന്നിങ്ങനെ നിരവധി വെല്ലുവിളികൾ അവിടെയുണ്ട്. ബാക്കിയെല്ലാം കൃത്യമായാൽപ്പോലും, പ്രവചനസാധ്യത 14 ദിവസത്തിനപ്പുറത്തേക്ക് നീട്ടാൻ സമ്മതിക്കാത്ത ഒരു ഘടകം കൂടിയുണ്ട്. മോഡലുകളിൽ ഉപയോഗിക്കുന്ന സമവാക്യങ്ങളുടെ ഒരു സവിശേഷ സ്വഭാവമാണത്. കെയോസ് (chaos) എന്ന സാങ്കേതികപദംകൊണ്ട് സൂചിപ്പിക്കുന്ന ഒന്ന്.

WP-3D ഓറിയോൺ പോലെയുള്ള കാലാവസ്ഥാ നിരീക്ഷണ വിമാനങ്ങൾ,ന്യൂമെറിക്കൽ കാലാവസ്ഥാ പ്രവചനങ്ങളിൽ ഉപയോഗിക്കുന്ന ഡാറ്റ നൽകുന്നു. കടപ്പാട്: wikipedia

സമവാക്യത്തിലേക്ക് ഉൾപ്പെടുന്ന അളവുകളിലെ (താപനില, മർദം തുടങ്ങിയവ) ചെറിയ വ്യതിയാനംപോലും സമയക്രമേണ അനന്തരഫലങ്ങളിൽ വലിയ വ്യത്യാസം ഉണ്ടാക്കും എന്നതാണ് കെയോസ് എന്നതുകൊണ്ട് ഉദ്ദേശിക്കുന്നത്. ഉദാഹരണത്തിന്, ആമസോൺ കാട്ടിൽ ചിറകടിക്കുന്ന ഒരു പൂമ്പാറ്റ അതിന് ചുറ്റുമുള്ള വായുവിൽ നേരിയ മർദവ്യത്യാസവും കാറ്റും ഉണ്ടാക്കുന്നുണ്ടാവുമല്ലോ. ഈ വ്യതിയാനം അതിന് ചുറ്റുമുള്ള വായുവിനെയും സ്വാധീനിക്കും. ഇത് പതിയെപ്പതിയെ തുടർന്നുപോയാൽ ന്യൂയോർക്കിൽ ഒരു കൊടുങ്കാറ്റ് രൂപപ്പെടാൻ മാത്രമുള്ള വ്യതിയാനം അന്തരീക്ഷത്തിൽ ഉണ്ടാക്കാനുള്ള സാഹചര്യംപോലും സൈദ്ധാന്തികമായി സാധ്യമാണ് (ബട്ടർ ഫ്ളൈ ഇഫക്ട് എന്നാണ് ഈ സാധ്യതയ്ക്കുള്ള ഓമനപ്പേര്). ഇതുകൊണ്ടുതന്നെ, താപനിലയും മർദവും ആർദ്രതയുമൊക്കെ പരമാവധി കൃത്യതയോടെ അളക്കേണ്ടതുണ്ട്. ഉപഗ്രഹങ്ങളും കടലിലും കരയിലുമുള്ള കാലാവസ്ഥാ സ്റ്റേഷനുകളും വിമാനങ്ങളിലും കപ്പലുകളിലും ഒക്കെയുള്ള സെൻസറുകളും ഉൾപ്പടെ ഭൂമിയുടെ പരമാവധി ഭാഗങ്ങളിൽനിന്ന് കഴിയാവുന്നത്ര കൃത്യതയോടെ ശേഖരിക്കുന്ന ഡാറ്റയാണ് നമ്മൾ കാലാവസ്ഥാ കമ്പ്യൂട്ടർ മോഡലുകളിലേക്ക് കൊടുക്കുന്നത്. നമ്മുടെ എല്ലാ ഉപകരണങ്ങൾക്കും സഹജമായ കൃത്യതക്കുറവ് ഉണ്ടാകുമെന്നതാണ് അവിടത്തെ യാഥാർഥ്യം. സദാ മാറിക്കൊണ്ടിരിക്കുന്ന താപനിലയും മർദവുമൊക്കെ, കമ്പ്യൂട്ടറിലേക്ക് ഡാറ്റ കൊടുക്കുന്നതിനും അതിന്റെ ഔട്ട്പുട്ട് വരുന്നതിനും ഇടയിലുള്ള സമയത്തിനുള്ളിൽത്തന്നെ ഒരുപാട് മാറിയെന്നും വരാം. ഇതാണ് കാലാവസ്ഥാ പ്രവചനത്തിൽ കെയോസ് ഉയർത്തുന്ന വെല്ലുവിളി.

കേരളംപോലെ, ഉഷ്ണമേഖലാ പ്രദേശങ്ങളെ മോഡൽ ചെയ്യുന്നത് മറ്റ് പ്രദേശങ്ങളെ അപേക്ഷിച്ച് കൂടുതൽ ബുദ്ധിമുട്ടാണ് എന്നതും എടുത്തുപറയേണ്ടതുണ്ട്. വികസിതരാജ്യങ്ങളിൽ രാവിലത്തെ കാലാവസ്ഥാ റിപ്പോർട്ട് നോക്കിമാത്രം യാത്രയും മറ്റും പ്ലാൻ ചെയ്യുന്ന പതിവുണ്ട്. അതറിയുമ്പോൾക്കൂടിയാണ് ഇവിടുത്തെ പ്രവചനങ്ങളെ പലരും കളിയാക്കുന്നത്. എന്നാൽ, അതിൽ നമ്മുടെ അന്തരീക്ഷസ്ഥിതിയിൽ സഹജമായിത്തന്നെയുള്ള സങ്കീർണ്ണതകൾകൂടി അടങ്ങിയിട്ടുണ്ടെന്ന് അധികമാർക്കും അറിയില്ല. ഉദാഹരണത്തിന്, മധ്യ അക്ഷാം ശങ്ങളിൽ മഴയ്ക്ക് പ്രധാനകാരണം, അന്തരീക്ഷമുഖങ്ങളുടെ രൂപവൽക്കരണമാണ്. വായുഖണ്ഡങ്ങളുടെ സാവധാനമുള്ള നീക്കം നിരീക്ഷിക്കാൻ താരതമ്യേന എളുപ്പമാണ്. നമ്മുടെ നാട്ടിൽ മഴകൾ മിക്കതും സംവഹനജന്യമാണ് (convectional). അതിനോടൊപ്പം, വാണിജ്യ വാതങ്ങളുടെയൊക്കെ സ്വാധീനം കൂടിയാവുമ്പോൾ, ഇത്തരം മാറ്റങ്ങളെ മുൻകൂട്ടി കാണുന്നത് കൂടുതൽ ബുദ്ധിമുട്ടുള്ളതാകുന്നു. എന്നിരിക്കുമ്പോൾപ്പോലും, കഴിഞ്ഞ ഏതാനും ദശാബ്ദങ്ങൾക്കിടെ പ്രവചന കൃത്യതയിൽവന്ന പുരോഗതി നമുക്ക് കാണാതിരിക്കാനാവില്ല. അതെന്തായാലും, ഇനിയും കൂടുതൽ മികച്ചതാവുകതന്നെ ചെയ്യും…