AI اور دنیا کے مشکل مسائل · ارضی اور موسمیاتی سائنس · arXiv · 2026-10-21

اسپیشیو ٹیمپورل ڈیپ لرننگ کے ذریعے مشاہدہ شدہ موسمیاتی ارتقا میں فورسڈ اور اندرونی اجزاء کی علیحدگی

اصل عنوان: Disentangling forced and internal components in observed climate evolution using spatiotemporal deep learning

مشاہدہ شدہ تاریخی موسمیاتی ارتقاء کو بیرونی طور پر مجبور شدہ تبدیلی بمقابلہ اندرونی تغیر کے طور پر منسوب کرنا موسمیاتی تبدیلی کو سمجھنے اور موسمیاتی models کا جائزہ لینے کے لیے بنیادی اہمیت رکھتا ہے، تاہم مشاہدات میں یہ دونوں آپس میں جڑے ہوئے ہیں۔ مصنفین ایک convolutional LSTM (ConvLSTM) تیار کرتے ہیں، جسے متعدد موسمیاتی models کی large-ensemble simulیشنز پر تربیت دی گئی اور جانچا گیا، اور یہ مستقل طور پر موجودہ model پر مبنی، شماریاتی اور machine-learning طریقوں سے بہتر کارکردگی دکھاتا ہے۔ مشاہدات پر اطلاق کے ساتھ، یہ مجبور شدہ ردعمل کے بدلتے ہوئے خلاندی نمونے اور حالیہ کئی دہائیوں کے رجحانات میں اندرونی تغیر کے نمایاں حصے کو ظاہر کرتا ہے—Atlantic کے بین النصف کرہ حرارتی عدمِ تقارن کے مجبور شدہ انقلاب کو بڑھاتے ہوئے، La Niña جیسے خط استوائی Pacific کی گرمی اور 1980 کے بعد سے شمالی امریکا کے جنوب مغرب میں بارش کے زوال پر حاوی رہتے ہوئے، اور Arctic amplification کو اس کی تقریباً مستقل تین گنا مجبور شدہ قدر کے گرد تبدیل کرتے ہوئے—جبکہ model سے simulated مجبور شدہ ردعمل کے ساتھ موازنہ بڑے پیمانے پر ہم آہنگ نمونے دکھاتا ہے اور ساتھ ہی بعض تضادات بھی، جیسے simulated شمالی نصف کرہ کی زیادہ شدید گرمی، subtropical high کی کمزور تقویت، اور خشکی کی بارش میں کم زوال۔

اصل تحریر پڑھیں ↗

تمام آئٹمز →