ലോറൻസിന്റെ ശലഭങ്ങളും അന്തരീക്ഷ പ്രവചനവും

ഡോ: ദീപക് ഗോപാലകൃഷ്ണൻ

Indian Institute of Tropical Meteorology

കൊച്ചിയിലോ മുംബൈയിലോ സംഭവിച്ചേക്കാവുന്ന പ്രളയം രണ്ടുമാസം മുന്നേ പ്രവചിക്കാൻ കഴിയാത്തത് എന്തുകൊണ്ടാണ് ? അന്തരീക്ഷാവസ്ഥ പ്രവചിക്കുന്നത് അത്രമേൽ സങ്കീർണ്ണമാണോ? എങ്ങനെ പ്രവചനകൃത്യത മെച്ചപ്പെടുത്താം ? അന്തരീക്ഷാവസ്ഥയെക്കുറിച്ചും അതിന്റെ പ്രവചനരീതികളെപ്പറ്റിയും വായിക്കാം.

“Pin point accuracy” എന്നാണ് ഈ വർഷം ബംഗാൾ ഉൾക്കടലിൽ രൂപംകൊണ്ട് ഒഡിഷ തീരത്തു വീശിയടിച്ച ഫോനി സൈക്ലോണിന്റെ സഞ്ചാരപാതയുടെ പ്രവചന കൃത്യതയെക്കുറിച്ച് ഐക്യരാഷ്ട്രസഭ (UN) അഭിപ്രായപ്പെട്ടത്. ഇന്ത്യയുടെ അന്തരീക്ഷ അവസ്ഥാ പ്രവചനസംവിധാനങ്ങൾ അത്രയും മികവുറ്റതായിരിക്കുന്നു എന്നർത്ഥം. വിശേഷിച്ചും, ചുഴലിക്കാറ്റിന്റെ പ്രവചനമികവിൽ നമ്മൾ ഏറെ മുന്നേറിയിരിക്കുന്നു. എന്നാൽ അന്തരീക്ഷാവസ്ഥ പ്രവചിക്കുന്നത് അത്രമേൽ സങ്കീർണ്ണമാണോ? 

നമ്മൾ ഒരു കല്ലെടുത്തു ദൂരേക്ക് എറിയുന്നു എന്ന് കരുതുക. ആ കല്ലിനെ സ്വാധീനിക്കുന്ന ബലങ്ങൾ (ഘടകങ്ങൾ) എല്ലാം കൃത്യമായി അറിയാമെങ്കിൽ, ആ കല്ല് എപ്പോൾ, എവിടെ വീഴുമെന്ന് കൃത്യമായി പ്രവചിക്കാൻ കഴിയും. അവിടെ നാം ഉപയോഗപ്പെടുത്തുന്നത് ആ കല്ലിന്റെ ഗതിയെ നിയന്ത്രിക്കുന്ന ഒരു ഗണിത സമവാക്യമാണ് (governing equation). എത്ര വേഗതയിൽ എറിയുന്നു, എത്ര ചെരിവിൽ (angle) എറിയുന്നു എന്നിവ അറിയാമെങ്കിൽ, ചലനസമവാക്യം ഉപയോഗിച്ച് കല്ലോ പന്തോ എവിടെ വീഴും എന്ന് പറയുവാൻ കഴിയും. കല്ലിന് അനുഭവപ്പെടുന്ന ഘർഷണം (air resistance), ആ സമയത്തെ കാറ്റിന്റെ വേഗത എന്നിവ കൂടെ മേൽപ്പറഞ്ഞ സമവാക്യത്തിൽ ഉൾപ്പെടുത്തിയാൽ ലഭിക്കുന്ന ഉത്തരത്തിന് കൂടുതൽ കൃത്യതവരും. അതായത്, എന്തിനെക്കുറിച്ചാണോ പഠിക്കുന്നത് ആ വസ്തുവിന്റെ സാധ്യമായ എല്ലാ സ്വഭാവ വിശേഷങ്ങളും ഇത്തിരത്തിലുള്ള ഗണിത സമവാക്യത്തിൽ ഉൾക്കൊള്ളിക്കണം. എന്നാൽ മാത്രമേ പ്രവചനത്തിൽ കൃത്യത ലഭിക്കൂ.

ഇനി, പന്ത് എറിയുന്നതിന് പകരം റോബർട്ടോ കാർലോസിന്റെ ഫ്രീകിക്ക് ആണെങ്കിലോ? അവിടെ കാര്യങ്ങൾ അൽപ്പം കൂടി സങ്കീർണ്ണമാണ്. അടികൊണ്ട പന്ത് വായുവിൽ തിരിയുന്നു (ചിത്രം 1 കാണുക). അതിനു കാരണമായ ഭൗതിക സാഹചര്യം എന്താണെന്ന് ആദ്യം മനസ്സിലാക്കണം. പിന്നെ അനുയോജ്യമായ ഗണിത സമവാക്യം രൂപീകരിക്കണം. അതിനുശേഷം ഈ സമവാക്യത്തെ ആദ്യം ഉപയോഗിച്ച സമവാക്യവുമായി ഇണക്കിചേർക്കണം. വേണ്ട മാറ്റങ്ങൾ വരുത്തി, അടികൊണ്ട പന്ത് ഗോൾപോസ്റ്റിന് അകത്തു കടക്കുമോ എന്ന് പറയാൻ കഴിയുന്ന വിധത്തിൽ രൂപപ്പെടുത്തിയെടുക്കാം. വലിയ പരീക്ഷണങ്ങളുടെ കാര്യത്തിൽ കണക്കുകൂട്ടലുകൾ ചിലപ്പോൾ അതി സങ്കീർണ്ണമാവും. അങ്ങനെ വന്നാൽ കമ്പ്യൂട്ടറുകളുടെ സഹായം തേടാം – ഗണിത സമവാക്യങ്ങളെ കമ്പ്യൂട്ടർ പ്രോഗ്രാമുകളുടെ സഹായത്തോടെ നിർധാരണം ചെയ്യാം. ഒരു വസ്തുവിന്റെയോ, ഒരു ഭൗതിക സംവിധാനത്തിന്റെയോ (physical system) ഗതി/അവസ്ഥ നിർണ്ണയിക്കുന്ന ഗണിത സമവാക്യങ്ങൾ നിർധാരണം ചെയ്യുന്നത് വഴി ആ വസ്തുവിന്റെ സ്വഭാവം അനുകരിക്കുന്ന (simulate) പ്രോഗ്രാമുകളെ കമ്പ്യൂട്ടർ അധിഷ്ഠിത ഗണിത മാതൃകകൾ (computer based mathematical models) എന്ന് വിളിക്കാം. അതായത്, ഒരു വസ്തുവിന്റെ ഒരു പ്രത്യേക സമയത്തെ, അവശ്യം വേണ്ട വിവരങ്ങൾ നൽകിയാൽ അല്പസമയത്തിന് ശേഷം അതിന്റെ അവസ്ഥ (state) എന്തായിരിക്കും എന്ന് മുൻകൂട്ടി പറയുവാൻ (predict) ഇത്തരത്തിൽ വികസിപ്പിച്ചെടുക്കുന്ന മോഡലുകൾക്ക് സാധിക്കും. 

ഭൂമിയുടെ അന്തരീക്ഷം ഒരു വായുമണ്ഡലം ആണല്ലോ. നൈട്രജനും ഓക്സിജനും കാർബൺ ഡൈ ഓക്സൈഡും പിന്നെ ചെറിയ അളവിൽ മാത്രം കാണുന്ന പല വാതകങ്ങളും ചേർന്ന ഒരു വായുമണ്ഡലം. അന്തരീക്ഷം, ഭൂമിയിൽ നിന്ന് മുകളിലേയ്ക്ക് കുറെയേറെ കിലോമീറ്ററുകൾ വ്യാപിച്ചു കിടക്കുന്നെങ്കിലും, മഴയുണ്ടാവുന്നതും മറ്റും സംഭവിക്കുന്നത് ഏതാണ്ട് 15 കിലോമീറ്ററിനുള്ളിലാണ്. ട്രോപ്പോസ്ഫിയർ എന്ന് പേരുള്ള ഈ മേഖലയിലാണ് മൊത്തം അന്തരീക്ഷഭാരത്തിന്റെ സിംഹഭാഗവും. 

അന്തരീക്ഷാവസ്ഥയും കാലാവസ്ഥയും 

അന്തരീക്ഷത്തിന്റെ സവിശേഷതകളെ അടയാളപ്പെടുത്തുന്നതിനായി പൊതുവായി ഉപയോഗിക്കുന്ന രണ്ട് സൂചകങ്ങളാണ് അന്തരീക്ഷാവസ്ഥയും (weather) കാലാവസ്ഥയും (climate). ഇതു രണ്ടും തമ്മിൽ സാരമായ വ്യത്യാസമുണ്ട്.  അന്തരീക്ഷാവസ്ഥ എന്നത് നൈമിഷികമാണ്. അതായത്, ഒരു പ്രത്യേക സമയത്തെ അന്തരീക്ഷത്തിന്റെ സവിശേഷതകൾ. അത് അടിയ്ക്കടി മാറിക്കൊണ്ടിരിക്കുന്നു. ഇന്നത്തെ അന്തരീക്ഷാവസ്ഥയായിരിക്കില്ല നാളെ. എന്നാൽ കാലാവസ്ഥ എന്നത് അന്തരീക്ഷത്തിന്റെ ഒരു ശരാശരി സ്വഭാവത്തെ കാണിക്കുന്നു. നാം മഴക്കാലം എന്ന് വിളിക്കുന്ന തെക്കുപടിഞ്ഞാറൻ മൺസൂൺ എല്ലാ വർഷവും ജൂൺ മാസത്തിൽ  ആരംഭിക്കുന്നു എന്നതൊരു കാലാവസ്ഥാ സവിശേഷതയാണ്. എല്ലാ വർഷവും ജൂൺ ഒന്നിന് നാം മഴയെ പ്രതീക്ഷിക്കുന്നു. എന്നാൽ ഓരോ മൺസൂണിലെയും ഓരോ ദിവസത്തെ മഴയും മറ്റ് അന്തരീക്ഷ സവിശേഷതകളും ഒരുപോലെയല്ല. ഒരു മൺസൂൺ കാലത്തുതന്നെ നന്നായി മഴപെയ്യുന്ന സമയവും (active period) മഴ കുറഞ്ഞു നിൽക്കുന്ന സമയവും (break period) കാണും. ഇങ്ങനെ ഓരോ ദിവസത്തെ പ്രത്യേകതകളെ അടയാളപ്പെടുത്തുന്നത് അന്തരീക്ഷാവസ്ഥയുടെ അടിസ്ഥാനത്തിലാണ്. അതായത്, ചുരുങ്ങിയ സമയത്തിനുള്ളിലെ അന്തരീക്ഷ സ്വഭാവത്തിലുണ്ടാകുന്ന വ്യതിയാനത്തെ കാലാവസ്ഥാ വ്യതിയാനമായി അടയാളപ്പെടുത്താനാകില്ല. ഓരോദിവസവും അന്തരീക്ഷാവസ്ഥയിലെ വ്യതിയാനങ്ങൾ സ്വാഭാവികമാണ്. ദീർഘകാലത്തെ (ഏതാണ്ട് 30 വർഷത്തെ) നിരീക്ഷണങ്ങളുടെ അടിസ്ഥാനത്തിലാണ് കാലാവസ്ഥ നിർവചിക്കുന്നത്.  പറഞ്ഞുവരുന്നത്, ഏറെക്കാലമായി സ്ഥായിയായി നിലനിൽക്കുന്ന മാറ്റങ്ങൾ കൊണ്ടാണ് കാലാവസ്ഥാ മാറ്റം സംഭവിക്കുന്നത്.

ഒരു അടച്ച ജാറിനുള്ളിൽ അൽപ്പം വായുനിറച്ചശേഷം, പല ലബോറട്ടറി പരീക്ഷണങ്ങളും നടത്താം. ഒരു പിസ്റ്റൺ ഉപയോഗിച്ച് മർദ്ദം ചെലുത്താം, ഒരു ഭാഗം ചൂടാക്കി നോക്കാം. അങ്ങനെ പലതും. മേൽപ്പറഞ്ഞ അവസരങ്ങളിലെല്ലാം ജാറിലെ വായുവിന്റെ സ്വഭാവത്തിൽ (properties) പല വ്യത്യാസങ്ങളും സംഭവിക്കും. ഇതെല്ലാം കൃത്യമായ ഭൗതിക നിയമങ്ങളുടെ അടിസ്ഥാനത്തിൽ മാത്രമാവും സംഭവിക്കുക. ഈ നിയമങ്ങളെല്ലാം കൃത്യമായി അറിയാമെങ്കിൽ നമുക്ക് ഈ ജാറിന്റെ ഒരു ഗണിത മോഡൽ ഉണ്ടാക്കാം. കമ്പ്യൂട്ടറിന്റെ സഹായത്തോടെ പല സിമുലേഷനുകളും (പരീക്ഷണങ്ങളും) നടത്തി നോക്കാം. മികച്ച കമ്പ്യൂട്ടറും അനുയോജ്യമായ മോഡലും ഉണ്ടെങ്കിൽ എത്ര വലിയ പരീക്ഷണവും എളുപ്പത്തിൽ നടത്താം എന്നതാണ് ഇത്തരം കമ്പൂട്ടർ അധിഷ്ഠിത പരീക്ഷണങ്ങളുടെ പ്രധാന നേട്ടം. മാത്രമല്ല, സ്ഥല പരിമിതി, അപകട സാധ്യത മുതലായ പ്രശ്നങ്ങൾ ഇല്ലതാനും. പറഞ്ഞുവരുന്നത്, ജാറിലടച്ച വായുവിന്റെ മാതൃക പോലെ ഭൂമിയുടെ അന്തരീക്ഷ മാതൃകയും നമുക്ക് നിർമ്മിച്ചെടുക്കാം. എന്നാൽ, കാര്യങ്ങൾ ജാറിലേതുപോലെ ലളിതമല്ല. ഭൂമിയുടെ മേൽഭാഗം കടലും മലയും ഗർത്തവും എല്ലാം നിറഞ്ഞതാണ്. അതാത് സ്ഥലത്തെ ഭൂപ്രകൃതി മോഡലിൽ കൃത്യമായി ഉൾക്കൊള്ളിക്കേണ്ടത് അത്യാവശ്യമാണ്. മറ്റൊരു പ്രധാന സവിശേഷത അന്തരീക്ഷത്തിലെ ജലത്തിന്റെ സാന്നിധ്യമാണ്. ജലത്തിന് ഭൂമിയിൽ അതിന്റെ മൂന്ന് അവസ്ഥകളിലും നിലനിൽക്കാം – ഖരം (ഐസ്) – ദ്രാവകം (ജലം) – വാതകം (നീരാവി). അന്തരീക്ഷത്തിലെ താപനിലയിലും മർദ്ദത്തിലും ഉണ്ടാവുന്ന വ്യത്യാസങ്ങൾ അനുസരിച്ചു് ജലം നീരാവിയാവുകയോ, തിരിച്ചോ അല്ലെങ്കിൽ ഐസാവുകയോ ഒക്കെ സംഭവിക്കാം. ഇത്തരം മാറ്റങ്ങൾ സംഭവിക്കുമ്പോൾ അതിനോടനുബന്ധിച്ചുള്ള ഊർജമാറ്റങ്ങൾ ഏറെ പ്രധാനപ്പെട്ടതാണ്. പിന്നെ, ഭൂമി നിരന്തരം അതിന്റെ അച്ചുതണ്ടിൽ കറങ്ങിക്കൊണ്ടിരിക്കുന്നുണ്ട്. അതുമായി ബന്ധപ്പെട്ട (കൊറിയോലിസ് പ്രഭാവം മുതലായ) സങ്കീർണ്ണതകൾ വേറെ. ഇത്തരം സവിശേഷതകളെല്ലാം ഉൾക്കൊള്ളുന്ന ഒരു മോഡൽ വികസിപ്പിച്ചെടുത്താൽ നമ്മുടെ അന്തരീക്ഷത്തിലെ ഒട്ടുമിക്ക സംഭവങ്ങളും മുൻകൂട്ടി പ്രവചിക്കാൻ കഴിയും. പക്ഷെ, ഇത് ഏറെ പരിശ്രമം വേണ്ട ജോലിയാണെന്ന് മാത്രമല്ല, വളരെയധികം പരിമിതികളുമുണ്ട്. ഒരു പ്രധാന പ്രശ്നം അന്തരീക്ഷ മോഡലുകളിലെ ഗണിത സമവാക്യങ്ങളെല്ലാം അത്യന്തം സങ്കീർണ്ണവും നേരായ വഴിയിൽ ഉത്തരം കണ്ടെത്താൻ കഴിയുന്നവയുമല്ല എന്നതാണ് (non-linear coupled partial differential equations). മറ്റൊന്ന്, അന്തരീക്ഷത്തിലെ, ഇനിയും പൂർണ്ണമായി പിടിതരാതെ ഒളിച്ചു കളിക്കുന്ന പ്രതിഭാസങ്ങളാണ്. എന്തുകൊണ്ട്/എങ്ങനെ സംഭവിക്കുന്നു എന്നതിന് പഴുതടച്ച സിദ്ധാന്തം നിലവിലില്ലാത്ത സംഗതികൾ. അതിനാൽ അത്തരം പ്രതിഭാസങ്ങളെ ഗണിത സമവാക്യങ്ങളായി കോർത്തെടുക്കുമ്പോൾ പിശകുകൾ പിണയാം. മറ്റൊന്ന്, അന്തരീക്ഷത്തിൽ സംഭവിക്കുന്ന പല പ്രതിഭാസങ്ങൾക്കും കാരണം അന്തരീക്ഷം മാത്രമല്ല. കടലുമായും, കരയുമായും നമ്മുടെ ഭൂമിയുടെ അന്തരീക്ഷം നിരന്തരം കൊടുക്കൽ വാങ്ങൽ പ്രക്രിയ നടത്തിക്കൊണ്ടിരിക്കുന്നുണ്ട് (atmosphere-ocean/land interactions). ഇതെല്ലാം വേണ്ടരീതിയിൽ മോഡലിൽ ഇണക്കി ചേർക്കുന്നത് ഏറെ ദുഷ്കരമാണ്. ഇത്തരത്തിൽ വികസിപ്പിച്ചെടുക്കുന്ന കമ്പ്യൂട്ടർ പ്രോഗ്രാമുകൾക്ക് ലക്ഷക്കണക്കിനോ കോടിക്കണക്കിനോ വരികൾ വലുപ്പമുണ്ടാകും – കുറെ മനുഷ്യരുടെ അദ്ധ്വാനം വേണ്ട പ്രക്രിയയാണ്. മറ്റൊന്ന്, ഇത്രയും ഭീമമായ മോഡൽ ഒരു സാധാരണ കമ്പ്യൂട്ടർ ഉപയോഗിച്ച് പ്രവർത്തിപ്പിക്കാനും കഴിയില്ല– വളരെ വേഗമേറിയ സൂപ്പർ കമ്പ്യൂട്ടറുകളാണ് ഇതിനായി ഉപയോഗിക്കുന്നത്.   

ഇനി, ഇത്തരം ഒരു മോഡലും അത് പ്രവർത്തിപ്പിക്കുവാൻ വേണ്ട സൂപ്പർ കമ്പ്യൂട്ടറും നമ്മുടെ കൈവശം ഉണ്ടെന്നിരിക്കട്ടെ. ഇനി പ്രവചനമാണ് (forecast).  ഒരു പ്രത്യേക സമയത്തെ അന്തരീക്ഷാവസ്ഥ കൃത്യമായി പറഞ്ഞുകൊടുത്താൽ സമീപഭാവിയിൽ (ഏതാനും ദിവസങ്ങളോ കുറച്ചു മാസങ്ങളോ) അന്തരീക്ഷത്തിന്റെ സ്വഭാവം പ്രവചിക്കുവാൻ പാകത്തിനാണ് ഒട്ടുമിക്ക മോഡലുകളും വികസിപ്പിച്ചിട്ടുള്ളത്. അന്തരീക്ഷാവസ്ഥ, ആ സമയത്തെ താപനില, കാറ്റിന്റെ വേഗം, ഈർപ്പത്തിന്റെ അളവ് (humidity), മർദ്ദം (pressure) എന്നീ അളവുകൾ കൊണ്ട് അടയാളപ്പെടുത്താം. അതായത്, പ്രവചനം തുടങ്ങുന്ന സമയത്തെ മേൽപ്പറഞ്ഞ അളവുകൾ (parameters) മോഡലിന് ഇൻപുട്ടായി നൽകിയാൽ ഏതാനും മണിക്കൂർ കഴിഞ്ഞാൽ അന്തരീക്ഷം എങ്ങനെയായിരിക്കും എന്ന് ഫോർകാസ്റ് ചെയ്യാൻ കഴിയും, ഇവിടെ ഏറ്റവും നിർണ്ണായകമായ സംഗതി നമ്മൾ കൊടുക്കുന്ന ഇൻപുട്ട് ഡാറ്റയാണ്. ഫോർകാസ്റ്റിന്റെ അഥവാ പ്രവചന കൃത്യത ഒരു പരിധിവരെ ഇൻപുട്ട് ഡാറ്റയുടെ കൃത്യതയെ ആശ്രയിച്ചിരിക്കുന്നു. എന്നുപറഞ്ഞാൽ, എത്ര നന്നായി അന്തരീക്ഷത്തിലെ കാറ്റ്, മർദ്ദം, താപനില, ജലാംശം എന്നീ പരാമീറ്ററുകൾ അളക്കുവാൻ സാധിക്കുന്നുവോ (observations), അത്രയും നന്നായി പ്രെഡിക്ഷനും നടത്താം. പടി പടിയായിട്ടാണ് ഓരോ മോഡൽ ഫോർകാസ്റ്റും മുന്നോട്ട് പോകുന്നത്. അതായത്, 6 മണിക്കൂർ ദൈർഘ്യമുള്ള ഒരു പ്രവചനം നടത്തുന്നത്, നേരെ ഒരൊറ്റ സ്റ്റെപ്പിൽ അല്ല, പകരം, ഏതാനും സെക്കന്റുകൾ മാത്രം ദൈർഘ്യമുള്ള ചെറു പടികളായിട്ടാണ്. 6 മണിക്കൂർ എന്നാൽ 21600 സെക്കന്റുകൾ. രണ്ട്‌ മിനിറ്റുകളുള്ള (120 സെക്കന്റ്) പടികളായിട്ടാണ് മോഡൽ ഫോർകാസ്റ് പുരോഗമിക്കുന്നതെങ്കിൽ 30 പടികളായിട്ടാവും പ്രവചനം പൂർത്തീകരിക്കുന്നത്. ഇത്തരത്തിലല്ലാതെ ഒരൊറ്റ സ്റ്റെപ്പിൽ ദൈർഘ്യമേറിയ പ്രവചനം സാങ്കേതികമായി സാധ്യമല്ല.

 
 ഇത്തരം ഗണിത മാതൃകകളെ അടിസ്ഥാനമാക്കി പ്രവചനം നടത്തുവാൻ ആരംഭിച്ചിട്ട് അധികം കാലമായില്ല. 1904 ൽ നോർവീജിയൻ ശാസ്ത്രജ്ഞനായ വിലേം ബിയേക്നെസ് (Vilhelm Bjerknes) ആണ് ആദ്യമായി അന്തരീക്ഷാവസ്ഥാ പ്രവചനം ഒരു ഗണിതപ്രശ്നമാണെന്ന് (initial value problem) തിരിച്ചറിയുന്നത്. അതായത്, അന്തരീക്ഷത്തെ നിയന്ത്രിക്കുന്ന ഭൗതിക സമവാക്യങ്ങളെ നിർധാരണം ചെയ്ത് ഭാവിയിലെ അന്തരീക്ഷാവസ്ഥ പ്രവചിക്കാം എന്ന് അഭിപ്രായപ്പെട്ടത് അദ്ദേഹമാണ്. ഏതാനും വർഷങ്ങൾക്ക് ശേഷം 1922 ൽ ഇംഗ്ലീഷ് ശാസ്ത്രജ്ഞനായ ലൂയിസ് റിച്ചാർഡ്സൺ (Lewis Richardson) ആണ് ആദ്യമായി ഇത്തരത്തിലൊരു പ്രവചനത്തിന് പ്രായോഗിക സംവിധാനം ചിട്ടപ്പെടുത്തിയത്. ഏറെ പ്രതീക്ഷയോടെ റിച്ചാർഡ്സൺ നടത്തിയ പ്രവചനം നിർഭാഗ്യവശാൽ അമ്പേ പാളിപ്പോയി. യാഥാർഥ്യവുമായി ഒരുതരത്തിലും പൊരുത്തപ്പെടാത്ത റിസൾട്ടുകളാണ് അദ്ദേഹത്തിന് ലഭിച്ചത്. പ്രവചനത്തിനായി ഉപയോഗിച്ച ഇന്‍പുട് ഡാറ്റയിലെ പിശകായിരിക്കും തെറ്റായ ഫോർകാസ്റ്റിൽ കലാശിച്ചതെന്ന് വിശ്വസിച്ചു റിച്ചാർഡ്സൺ. പിന്നീടുള്ള വിശദമായ പഠനങ്ങളിൽ നിന്ന് റിച്ചാർഡ്സൺ മുന്നോട്ട് വച്ച മാതൃകയിലെ മറ്റു പാളിച്ചകളും ശാസ്ത്രലോകം തിരിച്ചറിഞ്ഞു.

ഏറെ കാലത്തിനു ശേഷം, 1950 ൽ ജോൺ ന്യൂമാൻ (John von Newmann), ജൂലി ചാർണി (Jule Charney), റാനർ ഫ്യോർതോഫ്ത് (Ragnar Fjortoft) എന്നിവർ ചേർന്ന് പ്രിൻസ്റ്റണിലെ, ഇൻസ്റ്റിറ്റിയൂട്ട് ഫോർ അഡ്വാൻസ്ഡ്‌ സ്റ്റഡീസിൽ വെച്ച് , വളരെ ലളിതമായൊരു അന്തരീക്ഷ മാതൃക പിൻപറ്റി ആദ്യമായി അന്തരീക്ഷ പ്രവചനം (numerical weather forecast) സാധ്യമാക്കി. എനിയാക് (ENIAC- Electronic Numerical Integrator and Computer) എന്ന ആദ്യകാല കമ്പ്യൂട്ടറാണ് ഗണിത സമവാക്യങ്ങൾ നിർധാരണം ചെയ്യാൻ അവർ ഉപയോഗിച്ചത്. പിന്നീട് ദ്രുതഗതിയിലായിരുന്നു പ്രവചന സംവിധാനങ്ങളുടെ വളർച്ച.

ഇതേ അവസരത്തിൽ കമ്പ്യൂട്ടിങ്‌ രംഗത്തും വിപ്ലവകരമായ മാറ്റങ്ങളുണ്ടായി. മികച്ച കമ്പ്യൂട്ടറുകൾ   ലഭ്യമായതോടെ കൂടുതൽ സങ്കീർണ്ണമായ ഗണിത മാതൃകകളും നിർധാരണം ചെയ്യാമെന്ന നിലയിലെത്തി. മറ്റൊരു നാഴികക്കല്ലായത് കൃത്രിമോപഗ്രഹങ്ങളുടെ കണ്ടുപിടിത്തമാണ്. 1959 ൽ നാസ അന്തരീക്ഷ പഠനത്തിനായി വാൻഗാർഡ് 2 എന്ന കൃത്രിമോപഗ്രഹം വിക്ഷേപിച്ചു. പിന്നാലെ, 1960 ൽ ടൈറസ് -1 (TIROS-1) എന്ന കൂടുതൽ മികച്ച സാറ്റലൈറ്റും നാസ തന്നെ വിക്ഷേപിച്ചു. ഇതോടെ കൂടുതൽ വിശാലമായ നിരീക്ഷണങ്ങൾ സാധ്യമായി. വിശേഷിച്ചും നേരിട്ടുള്ള നിരീക്ഷണങ്ങൾ ഏറെക്കുറെ അസാധ്യമായിരുന്ന പ്രദേശങ്ങളിൽ നിന്ന് സാറ്റലൈറ്റുകളുടെ സഹായത്തോടെ ഡാറ്റ ലഭിച്ചുതുടങ്ങി. ഇന്ന് അന്തരീക്ഷ നിരീക്ഷണ സംവിധാനങ്ങളിൽ ഏറെ നിർണ്ണായകമായി മാറിയിരിക്കുന്നു സാറ്റലൈറ്റുകൾ. പ്രവചനത്തിനായി ഉപയോഗിക്കുന്ന അന്തരീക്ഷ മാതൃകകൾ കൂടുതൽ മികവുറ്റതാക്കുവാൻ നിരന്തരം ഗവേഷണങ്ങൾ നടന്നുകൊണ്ടിരിക്കുന്നു. നേരത്തെ സൂചിപ്പിച്ചതുപോലെ, ഇത്തരം സങ്കീർണ്ണമായ ഗണിത മാതൃകകൾ ഉപയോഗിക്കാൻ സാധിക്കുന്നത് വേഗമേറിയ സൂപ്പർ കമ്പ്യൂട്ടറുകളുടെ ലഭ്യതകൊണ്ട് മാത്രമാണ്. 

പൊതുവിൽ ഇത്തരം മോഡലുകളുടെ പ്രവർത്തന മികവ് പരിശോധിക്കുമ്പോൾ ഭൂമധ്യ രേഖയോട് ചേർന്ന് കിടക്കുന്ന ട്രോപ്പിക്കൽ മേഘലകളിൽ മറ്റു പ്രദേശങ്ങളെ അപേക്ഷിച്ചു പ്രവചനശേഷി അൽപ്പം കുറവാണെന്ന് പല പഠനങ്ങളും നിരീക്ഷിച്ചിട്ടുണ്ട്. വിശേഷിച്ചും തെക്കുപടിഞ്ഞാറൻ മൺസൂണിന്റെ കാര്യത്തിൽ. ഇന്ത്യൻ മൺസൂൺ കാലയളവിലെ മഴയുടെ വിതരണം (intraseasonal oscillations) കൃത്യമായി പുനരാവിഷ്കരിക്കുന്നതിൽ ഇനിയും മോഡലുകൾ പൂർണ്ണാർത്ഥത്തിൽ വിജയിച്ചിട്ടില്ല. ലോകത്തിലെ തന്നെ ഏറ്റവും പ്രബലമായ മൺസൂൺ ആണ് ഏഷ്യൻ മൺസൂൺ. മാത്രമല്ല, ഏറെ സങ്കീർണ്ണവുമാണ്. നമ്മുടെ മൺസൂൺ എന്നത് ലോകത്താകമാനമുള്ള അന്തരീക്ഷ പ്രവാഹത്തിന്റെ (global atmospheric circulation) ഒരു ഭാഗം മാത്രമാണ്. സ്വാഭാവികമായും ഇതിനു മറ്റു പ്രദേശങ്ങളിലെ പ്രതിഭാസങ്ങളുമായി ബന്ധമുണ്ടാകും. ഇതിൽ പ്രധാനമാണ് പസഫിക് സമുദ്ര പ്രതിഭാസമായ എൽ നിനോ (El Nino). ശാന്ത സമുദ്രത്തിലെ താപനിലയിൽ പ്രത്യക്ഷപ്പെടുന്ന അസ്വാഭാവിക വ്യതിയാനമാണ് എൽ നിനോ. ഇതിന്റെ പ്രതികരണം അന്തരീക്ഷത്തിൽ സതേൺ ഓസിലേഷൻ (southern oscillation) എന്ന പേരിലുള്ള അന്തരീക്ഷ മർദ്ദത്തിലെ വ്യതിയാനത്തിന്റെ രൂപത്തിൽ ദൃശ്യമാകുന്നു. എൽ നിനോ സമയത്തു് മേല്സൂചിപ്പിച്ചതുപോലെ അന്തരീക്ഷ പ്രവാഹത്തിലും സാരമായ വ്യതിയാനങ്ങൾ സംഭവിക്കുന്നു. തത്ഫലമായി മൺസൂൺ കാലത്തു ഇന്ത്യയുടെ ഭാഗത്തെ മഴമേഘങ്ങളുടെ രൂപീകരണം തടസ്സപ്പെടുന്നതായി കണ്ടെത്തിയിട്ടുണ്ട്. എന്നാൽ എൽ നിനോ പോലെ തന്നെ ഇന്ത്യൻ മൺസൂണിനെ സാരമായി ബാധിക്കുന്ന അനേകം പ്രതിഭാസങ്ങളെ തിരിച്ചറിഞ്ഞിട്ടുണ്ട്. ഇന്ത്യൻ മഹാസമുദ്രത്തിൽ പ്രകടമാവുന്ന ഇന്ത്യൻ ഓഷ്യൻ ഡൈപ്പോൾ (Indian Ocean Dipole), പോളാർ മേഖലയിൽ പ്രത്യമാകുന്ന ആർട്ടിക് ഓസിലേഷൻ (Arctic oscillation), അന്റാർട്ടിക് ഓസിലേഷൻ (Antarctic oscillation), അറ്റലാന്റിക് സമുദ്രത്തിൽ ദൃശ്യമാകുന്ന, എൽ നിനോയ്ക്ക് സമാനമായ അറ്റലാന്റിക് നിനോ (Atlantic nino) എന്നിങ്ങനെ പലഭാഗത്തുള്ള പ്രതിഭാസങ്ങൾക്കും ഇന്ത്യൻ മൺസൂണുമായി ബന്ധമുണ്ടെന്ന് (tele-connections) പഠനങ്ങൾ നിരീക്ഷിക്കുന്നു. എന്നാൽ മേൽപ്പറഞ്ഞ പ്രതിഭാസങ്ങൾ എങ്ങനെ തെക്കുപടിഞ്ഞാറൻ മൺസൂണുമായിചേർന്ന് പ്രവർത്തിക്കുന്നു എന്നത് ഇനിയും പൂർണ്ണമായി മനസ്സിലാക്കാൻ കഴിഞ്ഞിട്ടില്ല.

എന്തുകൊണ്ട് പ്രവചനങ്ങൾ പിഴയ്ക്കുന്നു?

വർഷം 1961. മസാച്യുസെറ്റ്സ് ഇൻസ്റ്റിറ്റ്യൂട്ട് ഓഫ് ടെക്‌നോളജിയിലെ എഡ്വേർഡ് ലോറൻസ് (Edward Norton Lorenz) എന്ന ഗണിത ശാസ്ത്രജ്ഞൻ ഭൂമിയുടെ അന്തരീക്ഷപ്രവാഹങ്ങളെ കുറിച്ച് ചില പരീക്ഷണങ്ങൾ നടത്തുകയായിരുന്നു. അതായത്, ഭൂമിയുടെ അന്തരീക്ഷത്തിന്റെ ഒരു ഗണിത–കമ്പ്യൂട്ടർ മാതൃകയുപയോഗിച്ചുള്ള ചില പരീക്ഷണങ്ങൾ. ഒരു പ്രത്യേകസമയത്തെ അന്തരീക്ഷ താപനില, കാറ്റിന്റെ വേഗത തുടങ്ങിയ അടിസ്ഥാന വിവരങ്ങളനുസരിച്ചു അടുത്ത ഏതാനും മാസങ്ങളിലെ അന്തരീക്ഷത്തിന്റെ സ്വഭാവം നിർണ്ണയിക്കാനായിരുന്നു ഉദ്ദേശം. ആദ്യം ചെയ്ത പരീക്ഷണത്തിന്റെ റിസൾട്ട് അദ്ദേഹം പേപ്പറിൽ പ്രിന്റ് ചെയ്ത് എടുത്തിരുന്നു. ഇതേ പരീക്ഷണം ഒരുതവണകൂടി ആവർത്തിച്ചു നോക്കി. പക്ഷെ, ഇത്തവണ പ്രായോഗിക ബുദ്ധിമുട്ടുകൾ പരിഗണിച്ചു് മോഡൽ ആദ്യം മുതൽ പ്രവർത്തിപ്പിക്കുന്നതിന് പകരം ഇടയ്ക്ക് ഒരു ഭാഗത്തുനിന്ന് ആരംഭിച്ചു. അതായത് (ഉദാഹരണത്തിന്) ആദ്യത്തെ പരീക്ഷണത്തിൽ ജനുവരി മുതൽ ഡിസംബർ വരെയാണ് പരിശോധിച്ചതെങ്കിൽ രണ്ടാമത്തേതിൽ ജൂലൈ മുതൽ ആരംഭിച്ചു. മോഡൽ പ്രവർത്തിപ്പിക്കുന്നതിന് ആവശ്യമായ വിവരങ്ങൾ – താപനില, അന്തരീക്ഷ മർദ്ദം തുടങ്ങിയവ – അദ്ദേഹം പ്രിന്റ് ചെയ്ത് സൂക്ഷിച്ചിരുന്ന റിസൾട്ടിൽ നിന്ന് വേണ്ടവിധം ഇൻപുട്ടായി നൽകി. ശേഷം പരീക്ഷണം ഒരുവട്ടം കൂടി ആവർത്തിച്ചു. ഒരു കാപ്പിയൊക്കെ കുടിച്ചു തിരികെവന്ന അദ്ദേഹം ആകെ സ്തംഭിച്ചുപോയി. രണ്ടു പരീക്ഷണങ്ങളുടെയും റിസൾട്ടുകൾ തീരെ ഒത്തുപോകുന്നില്ല! ആദ്യം കരുതി, കമ്പ്യൂട്ടറിനെന്തോ തകരാറുസംഭവിച്ചുകാണും – വാക്വം ട്യൂബോ മറ്റോ കേടുവന്നുകാണുമെന്ന്. പക്ഷെ കമ്പ്യൂട്ടറിന് അസ്വാഭാവികമായി ഒന്നും കണ്ടില്ല. എന്നാൽ, പിന്നീടാണ് അദ്ദേഹം ശ്രദ്ധിച്ചത്, രണ്ടു റിസൾട്ടിന്റെയും ആദ്യ ഭാഗത്തു വലിയ പൊരുത്തക്കേടുകളൊന്നും കാണുന്നില്ല, പക്ഷെ, പതുക്കെ പതുക്കെ അവ രണ്ടും തമ്മിലുള്ള അന്തരം കൂടുതൽ വ്യക്തമായിക്കൊണ്ടിരുന്നു. യഥാർത്ഥത്തിൽ രണ്ടു പരീക്ഷണങ്ങളുടെ റിസൾട്ടുകളും ഒന്നുതന്നെയാവും എന്നാണ് ലോറൻസ് പ്രതീക്ഷിച്ചിരുന്നത്.  അധികം വൈകാതെ പ്രശ്നക്കാരനെ കയ്യോടെ പൊക്കി. അതായത്, ലോറൻസ് ഉപയോഗിച്ച കമ്പ്യൂട്ടർ പ്രോഗ്രാമിൽ ദശാംശം കഴിഞ്ഞുവരുന്ന ആറു സംഖ്യകൾ കൈകാര്യം ചെയ്യാൻ കഴിയുമായിരുന്നു. എന്നാൽ പ്രിന്റ് ചെയ്തതിൽ അവസാന മൂന്ന് സംഖ്യകൾ സൗകര്യപൂർവ്വം ഒഴിവാക്കിയിരുന്നു. എന്നുപറഞ്ഞാൽ, കമ്പ്യൂട്ടറിൽ സംഖ്യ 30.472443 എന്നാണ് എങ്കിൽ പ്രിന്റ് ചെയ്തത് 30.472 എന്നായിരുന്നു. രണ്ടാമത് പരീക്ഷണം നടത്തുവാൻ ലോറൻസ് ഇൻപുട്ടായി നൽകിയത് പ്രിന്റ് ചെയ്തെടുത്ത പേപ്പറിൽ ഉണ്ടായിരുന്ന ഈ ചുരുക്ക നമ്പറുകളായിരുന്നു. നിസ്സാരമെന്ന് തോന്നാവുന്ന വ്യത്യാസമെങ്കിലും അവസാന റിസൾട്ടിനെ മാറ്റിമറിക്കാൻ അത് ധാരാളമായിരുന്നു. തുടക്കത്തിൽ ഇതൊരു ചെറിയ വ്യത്യാസം മാത്രമായിരുന്നെങ്കിലും മോഡൽ പ്രവചനം മുന്നോട്ട് പോകുന്നതനുസരിച് യാഥാർഥ്യവും പ്രവചനവും തമ്മിലുള്ള അന്തരം പെരുകിവരുന്നതായി ലോറൻസ് നിരീക്ഷിച്ചു. ഈ കണ്ടുപിടിത്തം ഒരു നാഴികക്കല്ലാവുകയും ലോറൻസ് കയോസ് സിദ്ധാന്തം (chaos theory) അവതരിപ്പിക്കുകയും ചെയ്തു. കയോസ് എന്നാൽ കൃത്യമായ ചിട്ടയില്ലാത്തത്, ക്രമമില്ലാത്തത് എന്നൊക്കെ അർഥം. കയോസ് സിദ്ധാന്തമനുസരിച്ച്, അന്തരീക്ഷത്തിലെ ചെറിയ വ്യതിയാനങ്ങൾ പോലും അതിന്റെ ഭാവി പ്രവചനത്തിൽ സാരമായി ബാധിച്ചേക്കാം. ലോറൻസ് സ്വന്തം പരീക്ഷണ–നിരീക്ഷണങ്ങളുടെ അടിസ്ഥാനത്തിൽ, രണ്ടാഴ്ചയ്ക്കപ്പുറം അന്തരീക്ഷ പ്രവചനം അപ്രാപ്യമാണെന്ന് അഭിപ്രായപ്പെട്ടു. അതായത്, മോഡൽ ഫോർകാസ്റ്റ് സുമാർ രണ്ടാഴ്ച പിന്നിടുമ്പോഴേക്കും അതിലെ എറർ (error, യാഥാർത്ഥ്യവും പ്രവചനവും തമ്മിലെ അന്തരം) വളരെയധികം കൂടിവരുകയും പ്രവചനം തന്നെ ഉപയോഗശൂന്യമാവുകയും ചെയ്യും എന്നാണ് ലോറൻസിന്റെ കണ്ടുപിടിത്തം. വിശേഷിച്ചും ചെറിയ പ്രദേശത്തു മാത്രം സംഭവിച്ചേക്കാവുന്ന മേഘവിസ്‌ഫോടനം പോലെയുള്ള അതിതീവ്ര പ്രതിഭാസങ്ങൾ രണ്ടാഴ്ച മുന്നേ പ്രവചിക്കുക ഏറെക്കുറെ അസാധ്യമാണ്.

ലോറൻസ് ഇതുമായി ബന്ധപ്പെട്ട് മുന്നോട്ടുവച്ച ഒരാശയമാണ് ബട്ടർഫ്‌ളൈ ഇഫക്ട് (butterfly effect). ഒരു ചിത്രശലഭത്തിന്റെ ചിറകടി പോലെ ചെറു ചലനങ്ങൾ പോലും ഏതാനും ദിവസങ്ങൾക്കുശേഷം അന്തരീക്ഷാവസ്ഥയെ മാറ്റി മറിച്ചേക്കാം എന്നാണ് അദ്ദേഹം അഭിപ്രായപ്പെട്ടത്. [box type=”info” align=”” class=”” width=””]”ബ്രസീലിൽ ഒരു ശലഭത്തിന്റെ ചിറകടിമൂലം അമേരിക്കയിലെ ടെക്‌സാസിൽ ഒരു കൊടുങ്കാറ്റ് രൂപമെടുത്തേക്കാം” എന്നാണ് ലോറൻസ് അൽപ്പം ആലങ്കാരികമായി പറഞ്ഞത്![/box]അത്രമേൽ ലോലമാണ് (sensitive) നമ്മുടെ അന്തരീക്ഷം. ഇതുകൊണ്ടുള്ള പ്രധാന കുഴപ്പമെന്തെന്നാൽ, ഇൻപുട്ട് ഡാറ്റയിലെ ചെറിയ വ്യതാസങ്ങൾ പോലും മോഡൽ ഫോർകാസ്റ്റിനെ സാരമായി ബാധിക്കുകയും വ്യത്യസ്തമായ പ്രവചനത്തിലേക്ക് നയിക്കുകയും ചെയ്യുന്നു. ആദ്യമേ സൂചിപ്പിച്ചല്ലോ, നമ്മുടെ നിരീക്ഷണ സംവിധാനങ്ങളോ പ്രവചനത്തിനായി ഉപയോഗിക്കുന്ന മോഡലോ നൂറു ശതമാനം കുറ്റമറ്റതല്ല. അതിനാൽ തന്നെ പ്രവചനത്തിൽ നൂറുശതമാനം കൃത്യത ഏറെക്കുറെ അപ്രാപ്യമാണ്. 

മുൻപ് സൂചിപ്പിച്ചല്ലോ, പ്രവചനത്തിലെ കൃത്യത ഒരു പരിധിവരെ ഇൻപുട്ടായി നൽകുന്ന നിരീക്ഷണങ്ങളുടെ (observations) കൃത്യതയെ ആശ്രയിച്ചിരിക്കുന്നു എന്ന്. എന്നാൽ ഇവിടെയാണ് ചില പ്രശ്നങ്ങൾ. നേരിട്ടുള്ള ഒബ്സെർവേഷനുകൾക്ക് (in-situ observations) പരിമിതികളുണ്ട്. നൂറു കണക്കിന് കിലോമീറ്ററുകൾക്കുള്ളിൽ ഒന്നോ രണ്ടോ നിരീക്ഷണ കേന്ദ്രങ്ങൾ മാത്രമേ ഉണ്ടാവൂ. ഭൂമിയിലെ എല്ലായിടത്തും യഥേഷ്ടം ഇത്തരം നിരീക്ഷണ സംവിധാനങ്ങൾ സ്ഥാപിക്കുക എന്നത് അത്ര പ്രായോഗികമല്ല. ഈ പരിമിതി മറികടക്കാനാണ് നാം ഉപഗ്രഹങ്ങൾ റഡാറുകൾ തുടങ്ങിയ  വിദൂര സംവേദന ഉപാധികളുടെ (remote sensing instruments) സഹായം തേടുന്നത്.  കൃത്രിമോപഗ്രഹങ്ങൾ വന്നതോടുകൂടി നേരിട്ടുള്ള നിരീക്ഷണങ്ങൾ അപ്രാപ്യമായിരുന്ന പലയിടങ്ങളിൽ നിന്നും ഡാറ്റ ലഭ്യമായി തുടങ്ങി. എന്നിരുന്നാലും വേണ്ടത്ര ഒബ്സർവേർഷൻസ് ഇനിയും ലഭ്യമല്ല (നൂറെണ്ണം വേണ്ടിടത് ഒന്നേ ലഭ്യമുള്ളൂ എന്നതാണ് വസ്തുത!). പ്രവചനങ്ങൾക്ക് കൂടുതൽ കൃത്യത വരുത്താൻ കാര്യക്ഷമതയേറിയ നിരീക്ഷണ സംവിധാനങ്ങൾ ഇനിയും വേണ്ടതുണ്ട്. മറ്റൊന്ന്, “ജന്മനാലുള്ള” തകരാറാണ്. നിരീക്ഷണങ്ങൾ 100% പിഴവറ്റതല്ല. അത്യാധുനിക സംവിധാനങ്ങളുള്ള ഉപകരണങ്ങളിൽ പോലും ഒഴിവാക്കാനാവാത്ത, വളരെ ചെറിയ പഴവിന് (error) സാധ്യതയുണ്ട്. കൂടാതെ നമ്മുടെ മോഡലിനും അതിന്റേതായ ന്യൂനതകളുണ്ട്. അതായത്, ഫോർകാസ്റ്റ് ആരംഭിക്കുന്നതിന് ഉപയോഗിക്കുന്ന ഇൻപുട് ഡാറ്റയിലും ഫോർകാസ്റ്റ് ചെയ്യാൻ ഉപയോഗിക്കുന്ന മോഡലിനും അൽപ്പസ്വൽപ്പം പ്രശ്നങ്ങളുണ്ട്. ഒരു പരിധിയ്ക്കപ്പുറം ഈ പരിമിതികളെ മറികടക്കാനുമാവില്ല. അതുകൊണ്ടുതന്നെ പ്രവചനത്തിലും നൂറുശതമാനം കൃത്യത എന്നത് പ്രായോഗികമല്ല.   

മറ്റൊരു ശ്രദ്ധേയമായ വസ്തുത, ട്രോപ്പിക്കൽ പ്രദേശങ്ങളിലെ ഭൗതിക സാഹചര്യങ്ങൾ മറ്റു പ്രദേശങ്ങളുടേതിൽ നിന്ന് ഏറെ വ്യത്യസ്തമാണ്. ഇവിടെ ശ്രദ്ധിക്കേണ്ട വസ്തുത, ട്രോപ്പിക്കൽ പ്രദേശങ്ങളിലെ അന്തരീക്ഷാവസ്ഥ നിയന്ത്രിക്കുന്ന ഘടകങ്ങൾ രണ്ടാഴ്ചവരെയുള്ള പ്രവചനത്തിന് (short-medium range prediction) എളുപ്പം വഴങ്ങുന്നവയല്ല. അത് ഈ പ്രദേശത്തിന്റെ ഒരു സഹജ സ്വഭാവമായിട്ടാണ് വിലയിരുത്തുന്നത്. പ്രത്യേകിച്ച്, ട്രോപ്പിക്കൽ പ്രദേശങ്ങളിൽ നിരന്തരമുണ്ടാകുന്ന താപ സംവഹന പ്രക്രിയയും (convections) അതിനോടനുബന്ധിച്ചുള്ള മേഘങ്ങളുടെ രൂപീകരണവും ഊർജ്ജ വിതരണവും മറ്റും (latent heate release and so on) അതി സങ്കീർണ പ്രതിഭാസങ്ങളാണ്. അതിനാൽ തന്നെ ഇത്തരം പ്രക്രിയകൾ മോഡലുകൾക്ക് വേണ്ടവിധം പുനരാവിഷ്കരിക്കുവാൻ കഴിയാതെ വരുന്നു. എന്നാൽ ട്രോപ്പിക്കൽ മേഖലയ്ക്ക് പുറത്തേയ്ക്ക് അങ്ങനെയല്ല സ്ഥിതി – കാര്യങ്ങൾ കുറേക്കൂടെ എളുപ്പമാണ്. ഇക്കാരണത്താൽ തന്നെ ട്രോപ്പിക്കൽ മേഖല കേന്ദ്രീകരിച്ചു കൂടുതൽ ഗവേഷണ പദ്ധതികൾ നടപ്പാക്കി വരുന്നു.
 

ദീർഘകാല പ്രവചനങ്ങൾ സാധ്യമാണോ ?

ലോറൻസിന്റെ സിദ്ധാന്തപ്രകാരം രണ്ടാഴ്ചയ്ക്കപ്പുറം അന്തരീക്ഷത്തിന്റെ സ്വഭാവം പ്രവചിക്കുന്നത് ഏറെക്കുറെ അപ്രാപ്യമാണ്. എന്നാൽ അതിനപ്പുറത്തേക്കും നമുക്ക് പ്രവചനം സാധ്യമാണ്. പക്ഷെ, ഒരു ശരാശരി സ്വഭാവം (space-time average weather) മാത്രമേ പ്രവചിക്കുവാൻ സാധിക്കൂ. അതായത് ഓരോ പ്രദേശത്തെയും അന്തരീക്ഷത്തിന്റെ വിശദമായ സ്വഭാവവും (detailed structure) ദൈനംദിന വ്യതിയാനങ്ങളും (day-to-day weather patterns) രണ്ടോ മൂന്നോ ആഴ്ചയ്ക്കപ്പുറം പ്രവചിക്കാൻ സാധ്യമല്ലെങ്കിലും ഒരു വലിയ പ്രദേശത്തെ ശരാശരി സ്വഭാവം പ്രവചിക്കുവാൻ സാധിക്കുമെന്ന് പഠനങ്ങൾ തെളിയിച്ചിട്ടുണ്ട്. വരുന്ന ഒരാഴ്ച പൊതുവിൽ മഴ കുറവായിരിക്കും എന്നോ അടുത്തമാസം സാധാരയിലധികം മഴ ലഭിക്കാൻ സാധ്യതയുണ്ട് എന്നൊക്കെ പ്രവചിക്കാം എന്നല്ലാതെ അടുത്ത 30 ദിവസത്തിനുശേഷം മുംബൈയിൽ അതിതീവ്ര മഴപെയ്യും എന്നമട്ടിലുള്ള പ്രവചനങ്ങൾ നിലവിലുള്ള സങ്കേതങ്ങൾ പ്രകാരം സാധ്യമല്ല. ഇതേരീതിയിലാണ് നിലവിലുള്ള നമ്മുടെ മൺസൂൺ പ്രവചനങ്ങൾ. IMD സാധാരണ മൂന്ന് ഘട്ടങ്ങളിലായി മൺസൂൺ കാലത്തു ലഭിച്ചേക്കാവുന്ന മഴയുടെ ദീർഘകാല പ്രവചനങ്ങൾ (long-range forecasts) പുറത്തിറക്കാറുണ്ട്. ഇത്തരം പ്രവചനങ്ങളുടെ ഉദ്ദേശം പ്രധാനമായും വരുന്ന മൺസൂൺ കാലയളവിൽ (ജൂൺ, ജൂലായ്, ഓഗസ്റ്റ്, സെപ്റ്റംബർ മാസങ്ങളിൽ) സാധാരണരീതിയിൽ മഴലഭിക്കുമോ ഇല്ലയോ എന്ന് അറിയുകയാണ്. ഇന്ത്യയെ വടക്ക്–പടിഞ്ഞാറൻ ഭാഗം, മധ്യഭാഗം, തെക്കുഭാഗം, വടക്കുകിഴക്കൻ ഭാഗം എന്നിങ്ങനെ നാല് ഭാഗങ്ങളായി തിരിച്ച് ഓരോ ഭാഗത്തും ഓരോ മാസങ്ങളിലും ലഭിക്കാൻ സാധ്യതയുള്ള മഴയുടെ കണക്കുകൂടി സൂചിപ്പിക്കുന്നു. ഒരു വലിയ പ്രദേശത്തു ലഭിച്ചേക്കാവുന്ന മഴയുടെ ശരാശരി കണക്കുമാത്രമേ ഇത്ര ദീർഘകാലയളവിൽ പ്രവചിക്കുവാൻ കഴിയൂ.

എങ്ങനെ പ്രവചനകൃത്യത മെച്ചപ്പെടുത്താം ?

മോഡലുകൾ രണ്ടു തരമുണ്ട്: ഒന്ന് ലോകം മുഴുവൻ പ്രവചനം നടത്താൻ കഴിയുന്ന ആഗോള മോഡലുകൾ (global models) പിന്നെ പ്രാദേശികമായ പഠനങ്ങൾക്കായി പ്രത്യേകം വികസിപ്പിച്ച മോഡലുകൾ (regional models). രണ്ടു മോഡലിലും ചെയ്യുന്നത്, പഠനവിധേയമാക്കുന്ന പ്രദേശത്തെ ഭൂനിലം മുതൽ മുകളിലേയ്ക്ക് ഏതാണ്ട് 25-30 km വരെ കുറെ ചെറിയ ത്രിമാന അറകളായി (3D boxes) തിരിയ്ക്കും. ഓരോ അറയ്ക്കും എത്ര വലുപ്പമുണ്ടെന്നത് ഏറെ പ്രധാനമാണ്.  കാരണം ഈ അറയുടെ വലുപ്പം എത്രയാണോ അതിലും താഴെ  ദൈർഘ്യമുള്ള ഭൗതിക പ്രതിഭാസങ്ങളുടെ വിവരങ്ങളും മോഡലിൽ നേരിട്ട് ഉൾക്കൊള്ളിക്കാൻ കഴിയില്ല (ഒരു ലളിതമായ ഉദാഹരണം പറഞ്ഞാൽ, ഒരു തലമുടിയുടെ കനം അളക്കുവാൻ നാം സാധാരണ ഉപയോഗിക്കുന്ന 15 cm ന്റെ സ്കെയിൽ ഉപയോഗിച്ചാൽ പറ്റില്ലല്ലോ. അതിൽ 1 മില്ലിമീറ്റർ ആണ്  ഏറ്റവും ചെറിയ അളവ്. അതിൽ താഴെ വലുപ്പമുള്ള ഒന്നും തന്നെ അത്തരം സ്കെയിൽ ഉപയോഗിച്ച് അളക്കുവാൻ കഴിയില്ല). 

പ്രാദേശികമായ സവിശേഷതകൾ മോഡലിൽ ഉൾപ്പെടുത്തണമെങ്കിൽ അറകൾ അത്രകണ്ട് ചെറുതാവണം. അറകൾ തമ്മിലുള്ള അകലം കുറയുന്നതനുസരിച്ച്, വളരെ പ്രാധാന്യമുള്ള പല വിവരങ്ങളും  മോഡലിൽ ഉൾപ്പെടുത്താൻ സാധിക്കുന്നു. എന്നാൽ ഇതനുസരിച്ചു കമ്പ്യൂട്ടേഷൻ ഡിമാൻഡ് ഭീമമായി വർധിക്കും. കുറച്ചു കാലം മുൻപ് വരെ ലോകത്തിൽ എല്ലായിടത്തും ഉപയോഗിച്ചിരുന്ന മോഡലുകളിൽ തൊട്ടടുത്ത അറകൾ തമ്മിലുള്ള ദൂരം (grid resolution) 250 കിലോമീറ്ററോ അതിലധികമോ ആയിരുന്നു. ഇത്തരം മോഡലുകൾക്ക് താരതമ്യേന കൃത്യത കുറവായിരുന്നു. പിന്നീട്, ഉയർന്ന ശേഷിയുള്ള കമ്പ്യൂട്ടറുകൾ നിലവിൽ വന്നതോടെ മോഡലിൽ അറകൾ തമ്മിലുള്ള ദൂരം 25 km ഒക്കെ വരെ എത്തി. ഇന്ന് IMD പ്രവചനത്തിനായി ഉപയോഗിക്കുന്ന ഗ്ലോബൽ ഫോർകാസ്റ്റിംഗ് സിസ്റ്റം (Global Forecasting System, GFS) എന്ന മോഡലിൽ ഇത് 12.5 km മാത്രമാണ്. അതായത്, ലോകത്തിൽ തന്നെ ഏറ്റവും ഉയർന്ന റസല്യൂഷനിൽ മോഡൽ പ്രവചനം നടത്തുന്ന രാജ്യങ്ങളിലൊന്നാണ് ഇന്ത്യ. അതനുസരിച്ചുള്ള പ്രവചനമികവും പഠനങ്ങൾ സൂചിപ്പിക്കുന്നു. 

[box type=”warning” align=”” class=”” width=””]പ്രവചനത്തിന് എളുപ്പം വഴങ്ങാത്തവയാണ് മേഘവിസ്‌ഫോടനം, ചുഴലിക്കാറ്റുകൾ തുടങ്ങിയ അതിതീവ്ര പ്രതിഭാസങ്ങൾ. [/box] “മേഘവിസ്‌ഫോടനം” എന്നാൽ ചെറിയ സമയത്തു പെയ്തൊഴിയുന്ന വലിയ മഴയെന്നർത്ഥം. ഒരു മണിക്കൂറിൽ 100 മില്ലിമീറ്ററിൽ അധികം പെയ്യുന്ന മഴയെയാണ് പൊതുവിൽ ഈ ഗണത്തിൽ പെടുത്താറ്. 15 കിലോമീറ്റർ വരെ ഉയരത്തിലേക്ക് വളരുന്ന മേഘങ്ങളാണ് (cumulonimbus clouds) ഇത്തരം മഴയ്ക്കു കാരണം. ഇത്തരം മഴയ്ക്കിടെ ശക്തമായ മിന്നലും കാറ്റും സ്വാഭാവികമാണ്. [box type=”info” align=”” class=”” width=””]എന്നാൽ പേര് സൂചിപ്പിക്കുന്നതുപോലെ, ഇത് മേഘം “പൊട്ടി വീഴുന്ന” പ്രതിഭാസമോ മേഘത്തിന്റെ “സ്ഫോടനമോ” ഒന്നുമല്ല. ഒരു വലിയ മേഘത്തെ വെള്ളം നിറച്ച ഒരു ബലൂണായി ഉപമിച്ചാൽ. അത്തരം ബലൂൺ പൊട്ടിയാലുള്ള അവസ്ഥ എന്നുമാത്രമേ “മേഘവിസ്‌ഫോടനം” എന്ന പേരുകൊണ്ട് ഉദ്ദേശിക്കുന്നുള്ളൂ. [/box]സാധാരണ മലയോര പ്രദേശങ്ങളിലാണ് ഇത്തരം മഴയ്ക്ക് കൂടുതൽ സാധ്യത. എന്നാൽ ഇത്തരം അതിതീവ്ര മഴപ്പെയ്ത്തുകൾ പ്രവചിക്കുന്നത് ഏറെ സങ്കീർണ്ണമാണ്. പലപ്പോഴും പെയ്യാൻ സാധ്യതയുള്ള മഴയുടെ തീവ്രതയും (intensity) ഏതുസമയത്തു പെയ്യും എന്നതും കൃത്യമായി പ്രവചിക്കുവാൻ കഴിയാതെ വരുന്നു. അതിനാൽ ഈ മേഖലയിൽ ഇന്ന് കൂടുതൽ പഠനങ്ങൾ നടന്നുവരുന്നു. അതുപോലെതന്നെ, ചുഴലിക്കാറ്റുകളുടെ സഞ്ചാരപാത പ്രവചിക്കുന്നതിൽ മോഡലുകൾ ഏറെ പുരോഗതി നേടിയെങ്കിലും സഞ്ചാരപാതയിലെ ദിശാവ്യതിയാനം (recurvature in cyclone tracks), ചുഴലിക്കാറ്റിന്റെ തീവ്രതയിൽ വരുന്ന ദ്രുതഗതിയിലുള്ള വ്യതിയാനങ്ങൾ (rapid intensification and weakening) എന്നിവ കൃത്യമായി പ്രവചിക്കുന്നത് ഇന്നും വെല്ലുവിളിയായി തുടരുന്നു. അന്തരീക്ഷത്തിലെ കാറ്റിന്റെ വിതരണം കൃത്യമായി നിരീക്ഷിക്കുന്നതുവഴിയും ഇത്തരം നിരീക്ഷണങ്ങൾ മോഡലിൽ ഉൾക്കൊള്ളിക്കുന്നതുവഴിയും (data assimilation) ഒരുപരിധിവരെ ഇത്തരം അതിതീവ്ര പ്രതിഭാസങ്ങളുടെ പ്രവചനം മെച്ചപ്പെടുത്താം. ഇതിനു പ്രധാനമായും ആശ്രയിക്കുന്നത് ഡോപ്ലർ റഡാറുകളെയും (Doppler weather radar) സാറ്റലൈറ്റുകളെയുമാണ്. വിശേഷിച്ചും അടുത്ത 6 മണിക്കൂർ വരെയുള്ള പ്രവചനത്തിന് (nowcasting) റഡാർ നിരീക്ഷണങ്ങൾ ഏറെ സഹായകരമാണ്. ചുഴലിക്കാറ്റിന്റെയും മറ്റും പ്രവചനം മികവുറ്റതാക്കാൻ ഇന്ത്യയിൽ തീരദേശ മേഖലകൾ കേന്ദ്രീകരിച്ചു കൂടുതൽ റഡാറുകൾ സ്ഥാപിച്ചുവരുന്നു.

ആദ്യകാലത്തു വികസിപ്പിച്ച മോഡലുകൾ പ്രധാനമായും അന്തരീക്ഷ പ്രതിഭാസങ്ങളെ മാത്രം ഉൾക്കൊള്ളുന്നവയായിരുന്നു (Atmospheric models). എന്നാൽ, കൂടുതൽ ദിവസങ്ങൾ നീണ്ടുനിൽക്കുന്ന പ്രവചനങ്ങൾക്ക് സമുദ്രത്തിൽനിന്നുള്ള പങ്ക് കൂടെ ഉൾപ്പെടുത്തിയ കൂടുതൽ മികച്ച മോഡലുകൾ വികസിപ്പിച്ചു. ഇവിടെ അന്തരീക്ഷാവസ്ഥ പ്രവചിക്കുന്ന ഒരു മോഡലും കടലിന്റെ ഗതി പ്രവചിക്കാൻ സാധിക്കുന്ന ഒരു ഓഷ്യൻ മോഡലും കൂട്ടി യോജിപ്പിച്ച മോഡലുകളാണ് (ocean-atmosphere coupled models) ഉപയോഗിക്കുന്നത്. ഇത്തരം മോഡലുകൾ വന്നതോടെ കൂടുതൽ ദിവസത്തേക്കുള്ള പ്രവചനങ്ങൾക്ക് കൂടുതൽ കൃത്യത കൈവന്നു.   

കുറച്ചു കാലം മുൻപ്‌വരെ ഒരൊറ്റ മോഡൽ ഫോർകാസ്റ്റിനെ ആശ്രയിച്ചായിരുന്നു  പ്രവചനം. പിന്നീട് ഒരൊറ്റ മോഡൽ ഫോർകാസ്റ്റ് എന്നതിനു പകരം ഒന്നിലധികം ഫോർകാസ്റ്റുകളെ അടിസ്ഥാനപ്പെടുത്തി, ഒരു സാധ്യതാധിഷ്ഠിത പ്രവചനമാവും (probabilistic forecast) കൂടുതൽ പ്രായോഗികം എന്ന ആശയം രൂപപ്പെട്ടു. ഇവിടെ, ചെറിയ വ്യത്യാസങ്ങളുള്ള ഇൻപുട്ട് ഡാറ്റ ഉപയോഗപ്പെടുത്തി 30-40 മോഡൽ ഫോർകാസ്റ്റുകൾ (ensembles) സൃഷ്ടിക്കുകയും ഇവയുടെ അടിസ്ഥാനത്തിൽ പ്രവചനം നടത്തുകയും ചെയ്യുന്നു. വരും ദിവസങ്ങളിലെ അന്തരീക്ഷാവസ്ഥ പ്രവചിക്കുന്നതിനോടൊപ്പം പ്രവചനം ശരിയാവുന്നതിന് എത്രമാത്രം സാധ്യതയുണ്ട് എന്നുകൂടി ഇത്തരം പ്രവചനത്തിൽ നിന്ന് അനുമാനിക്കാൻ സാധിക്കും. ഉദാഹരണത്തിന്, അടുത്ത ദിവസത്തെ മഴ പ്രവചനമാണ് വിഷയം. മേല്പറഞ്ഞത് പ്രകാരം 40 നേരിയ വ്യത്യാസത്തിലുള്ള മോഡൽ ഫോർകാസ്റ്റുകളും ഉണ്ടെന്ന് കരുതുക. 40 ഫോർകാസ്റ്റുകളിൽ 35 ലും കൊച്ചിയിൽ ശക്തമായ മഴ പ്രവചിക്കുന്നു എങ്കിൽ 87.5 % സാധ്യതയുണ്ട് എന്ന് പറയാം. പകരം, 5 ഫോർകാസ്റ്റുകളിലേ ശക്തമായ മഴ കാണുന്നുള്ളൂ എങ്കിൽ 12.5 % സാധ്യതയെ ഉള്ളു എന്നും പറയാം. ഇത്തരം സാധ്യതാഷ്ഠിത പ്രവചനങ്ങൾ കൂടുതൽ വിശ്വാസയോഗ്യമാണ്.  

ലോകത്തെമ്പാടും അന്തരീക്ഷ മോഡലുകളുടെ കൃത്യത മെച്ചപ്പെടുത്തുന്നതിനായുള്ള ഗവേഷണങ്ങളും അതിനോടനുബന്ധിച്ചുള്ള പഠനങ്ങളും നടന്നുകൊണ്ടിരിക്കുന്നു. ചുവടെ കൊടുത്തിരിക്കുന്ന ചിത്രത്തിൽ  2003 മുതൽ ചുഴലിക്കാറ്റിന്റെ സഞ്ചാരപാതയുടെ പ്രവചന കൃത്യതയിൽ ഇന്ത്യ കൈവരിച്ച മികവ് വ്യക്തമാണല്ലോ. 2018 ൽ എത്തിനിൽക്കുമ്പോൾ ഏതാണ്ട് 80% കൃത്യത അവകാശപ്പെടാവുന്ന നിലയിലേയ്ക്ക് IMD യുടെ മോഡൽ പ്രവചനങ്ങൾ മെച്ചപ്പെട്ടു. വളരെ കാര്യക്ഷമമായ സാറ്റലൈറ്റ് നിരീക്ഷണങ്ങളും പടിപടിയായി മെച്ചപ്പെട്ടുവരുന്ന മോഡലിംഗ് സംവിധാനങ്ങളുടെയും ഫലമായിട്ടാണ് ഇത്രയും കൃത്യത നാം കൈവരിച്ചത്. ഇതിനോടൊപ്പം ഉയർന്ന ശേഷിയുള്ള മോഡലുകൾ പ്രവർത്തിപ്പിക്കുവാൻ ആവശ്യമായ, ലോകത്തിലെതന്നെ മികച്ച സൂപ്പർ കമ്പ്യൂട്ടറുകളും ഇന്ത്യയ്ക്ക് സ്വന്താമായുണ്ട്. ഏതൊരു അന്താരാഷ്‌ട്ര ഏജൻസിയോടും പ്രവചനമികവിനോട് കിടപിടിയ്ക്കുന്ന വിധം ഇന്ത്യയിലെ പ്രവചന സംവിധാനങ്ങളും മികവുറ്റതായിരിക്കുന്നു. 

തദ്ദേശീയമായി പരിഷ്കരിച്ച മോഡലുകൾ ഉപയോഗപ്പെടുത്തിയാണ് IMD മികച്ച രീതിയിൽ മൺസൂണും ചുഴലിക്കാറ്റിന്റെ ഗതിയും മറ്റും പ്രവചിക്കുന്നത്. ഈ വർഷം ബംഗാൾ ഉൾക്കടലിൽ രൂപംകൊണ്ട ഫോനി ചുഴലിക്കാറ്റിന്റെ പ്രവചനം അന്താരാഷ്ട്ര ഏജൻസികളുടെ വരെ പ്രശംസ പിടിച്ചുപറ്റിയിരുന്നു.  

ചിത്രത്തിൽ കാണുന്നത് ഫോനി ചുഴലിക്കാറ്റിന്റെ യഥാർത്ഥ സഞ്ചാരപാതയും പലസമയങ്ങളിലായി IMD യുടെ മോഡൽ പ്രവചിച്ച സഞ്ചാര പാതയുമാണ്. ഒരുവേള ആന്ധ്ര തീരത്തേക്ക് നീങ്ങിയേക്കും എന്നു തോന്നിപ്പിക്കുന്ന രീതിയിലായിരുന്നു “ഫോനി“യുടെ സഞ്ചാരം. എന്നാൽ തീരം തൊടുന്നതിന് മൂന്നു ദിവസം മുന്നേ തന്നെ ദിശമാറി ഒഡീഷാ തീരത്തേക്ക് നീങ്ങുമെന്ന് പ്രവചിക്കാൻ IMD യുടെ മോഡലുകൾക്ക് സാധിച്ചു.

അന്തരീക്ഷ മോഡലുകളുടെ കൃത്യത മുൻപ് സൂചിപ്പിച്ചതുപോലെ, സമുദ്രത്തിലേയും ഭൂമിയിലെ മറ്റു പല സവിശേഷപ്രതിഭാസങ്ങളെയും ആശ്രയിച്ചിരിക്കുന്നു. ഇനിയും പല സംഗതികളും പൂർണ്ണമായും മനസ്സിലാക്കേണ്ടതുണ്ട്. കൂടുതൽ മികച്ച നിരീക്ഷണ സംവിധാനങ്ങളുടെ സഹായത്താൽ അനുദിനം പല രഹസ്യങ്ങളുടേയും ചുരുളഴിയുന്നു. ഇതുവഴി രൂപപ്പെടുന്ന പുതിയ അറിവുകൾ നിലവിലുള്ള മോഡലുകളിൽ വേണ്ടവിധം ഇണക്കിച്ചേർക്കുന്നുണ്ട്. സമീപകാലത്ത്‌ നമ്മുടെ പ്രവചന സംവിധാനങ്ങൾ ഏറെ പുരോഗതി നേടിയതായി കാണാം. വരും കാലങ്ങളിൽ കൂടുതൽ മികവേറിയ പ്രവചനങ്ങൾ തീർച്ചയായും സാധ്യമാണ്. 

ലേഖകന്റെ ഇമെയിൽ വിലാസം : [email protected]

References

1. 1. Richardson, Lewis Fry. Weather prediction by numerical process. Cambridge university press, 2007.
2. Lorenz, Edward Norton. Essence of chaos. University of Washington press, 1995.
3. Philander, S. George. Our affair with El Nino: How we transformed an enchanting Peruvian current into a global climate hazard. Princeton University Press, 2006.
4. Gleick, James. Chaos: Making a new science. Open Road Media, 2011.
5. Goswami, B. N. Dynamical predictability of seasonal monsoon rainfall: Problems and prospects. Proceedings of Indian National Science Academy. Part A, 1994.
6. Kohn Reich L, Burger G. Dynamical prediction of Indian monsoon: Past and present skill. International Journal of Climatology, 2019.
7. Hoskins, Brian. The potential for skill across the range of the seamless weather-climate prediction problem: a stimulus for our science. Quarterly Journal of Royal Meteorological Society, 2013.
8. Reynolds, C.A., Webster, P.J., Kalnay, Eugenia. Random error growth in NMC‘s global forecasts, 1994
9. Report on extremely severe cyclonic storm Fani by Regional Specialised Meteorological Centre – Tropical cyclones India Meteorological Department, 2019
10. Mohapatra et al. Evaluation of official tropical cyclone track forecast over north Indian Ocean issued by India Meteorological Department, Journal of Earth System Sciences (2013).

Happy

1 50 %

Sad

0 0 %

Excited

1 50 %

Sleepy

0 0 %

Angry

0 0 %

Surprise

0 0 %