વરસાદ અને ચોમાસાં વિશે વૈજ્ઞાનિક માહિતી
ઓણ ચોમાસું કેવું ?
પરેશ ૨. વૈદ્ય
ચોમાસા પર અસર કરતી ઘટનાઓ અને વાતાવરણનાં અવલોકનોની સામગ્રીથી સજ્જ થઈને ચાલો આપણે પાછાં આગાહીના પ્રદેશમાં આવીએ.
વિજ્ઞાન આધારિત આગાહીના સમયગાળાની દૃષ્ટિએ ત્રણ પ્રકાર છે.
૧. ટૂંકાગાળાની આગાહી : એ અત્યારથી માંડી ત્રણ દિવસ સુધીની ઘટનાઓ માટે હોય.
૨. મધ્યમગાળાની આગાહી : ત્રણ દિવસથી શરૂ કરી દશ (કે પંદર) દિવસ સુધીના ગાળાનો વરતારો આપે.
૩. લાંબાગાળાની આગાહી : તેમાં ૧૫ દિવસથી આગળ અમુક મહિના પછીની ઘટનાની અટકળ હોય, પરંતુ વ્યવહારમાં એ આવનારી ઋતુ બાબત જ હોય છે. ભારતના સંદર્ભમાં તેણે બે પ્રશ્નોના ઉત્તર દેવાના હોય છે. એક કે ચોમાસું કેવું રહેશે અને બીજું કે એ ક્યારે બેસશે?
ભારતીય હવામાન ખાતું પહેલા પ્રશ્નનો ઉત્તર દર વરસે એપ્રિલ મહિનાનાં ત્રીજા સપ્તાહમાં આપે છે. ચોમાસું બેસવાની તારીખના પ્રશ્નનો ઉત્તર લાંબાગાળાની આગાહીની ટેકનીકથી નથી આપી શકાતો. એ મધ્યમગાળાનો પ્રશ્ન છે એટલે કેરળમાં ચોમાસું બેસવાની તારીખથી બે સપ્તાહ અગાઉ તેનો અંદાજ આપવામાં આવે છે. ત્રણેય સમયગાળાની આગાહીઓ માટે જુદી જુદી રીત કામ લાગે છે.
આગાહીની પદ્ધતિઓ :
હવામાન શાસ્ત્રીઓ પાસે મુખ્યત્વે ત્રણ રીતો છે.
અનુભવના આધારે : વૈયક્તિક અંદાજથી
આંકડાકીય પદ્ધતિ :Numerical forecast
સંખ્યાશાસ્ત્રને આધારે :Statistical forecasting
વાંચકોને જાણીને ખુશી થશે કે, વ્યક્તિગત અનુભવના આધારે આગાહી કરવાનું તદ્દન લુપ્ત નથી થઈ ગયું. આજે પણ ટૂંકાગાળાના જે વરતારા સાંભળીએ છીએ તે હવામાનશાસ્ત્રી પોતાના અનુભવ અને અંદાજ પ્રમાણે જ આપેલા હોય છે. પરંતુ એ અંદાજ એવો નહીં સમજવો કે ‘ચકલી ધૂળમાં નહાય છે એટલે કાલે વરસાદ પડશે.’ એના પાસે જે હકીકતો, અવલોકનો અને આંકડા આવે તેમાં એ પોતાનું હવામાન બાબતનું જ્ઞાન અને અનુભવ ઉમેરે છે અને તેમ અંદાજ કરે છે.
આંકડા આધારિત પદ્ધતિ એ આધુનિક રીત છે અને કમ્પ્યુટરો આવ્યા બાદ તેનો ઉપયોગ વ્યવહારિક બન્યો છે. પ્રકરણ ૧૧માં રિચાર્ડસનની વાત વાંચી. તેણે આ પદ્ધતિ વાપરી હતી પરંતુ તેમાં એક ખોટ હતી કમ્પ્યુટર જેટલી ઝડપી ગણતરીનો અભાવ. એટલે એ ચાલી નહીં. ‘ન્યૂમરિકલ’ આગાહીની આ રીતમાં વાતાવરણના ફેરફારોને વૈજ્ઞાનિક સિદ્ધાંતોની મદદથી સમજવાની કોશિશ કરવામાં આવે છે. પછી તેને ગણિતીક સૂત્રો કે સમીકરણોનાં રૃપમાં મૂકવામાં આવે છે. હાઈસ્કૂલમાં કૂટપ્રશ્નોના અભ્યાસને યાદ કરો. તેનાં પહેલાં આપણે દીધેલા સવાલને સમીકરણનાં રૂપમાં મૂકતાં અને પછી તેને છોડાવી અજ્ઞાતની કિંમત કાઢતાં.
જળગતિશાસ્ત્રના સિદ્ધાંતો વાપરીને વાતાવરણમાં થતા ફેરફારોને પણ સમીકરણો રૂપે લખી શકાય. તે માટે ઘટના પાછળનાં પરિબળોનું જ્ઞાન હોવું જોઈએ ખરું. સમજવા ખાતર સાદુ ઉદાહરણ લઈએ. અમુક સ્થળે સૂર્યની કેટલી ગરમી આવી મળે છે તે જાણી લઈએ તો ધરતી કેટલી ગરમ થાય તે ખબર પડે. એટલી ગરમીથી કેટલી હવા, કેટલી ઊંચી ચડી જશે અને તેની જગ્યા લેવા કેટલા અંતરથી ઠંડી હવા ધસી આવશે તે નક્કી કરવું સૈદ્ધાંતિક રીતે શક્ય છે. જો તેમ કરી શકાય તો ધસી આવતી હવાનો વેગ પણ અંદાજી શકાય. આ બધાં માટે અમુક ધારણાઓ સાથે જે સૂત્ર સમીકરણ ઘડી કાઢીએ તેને ‘મોડેલ’ કહે છે અને તે બનાવવાની પ્રક્રિયાને ‘મોડેલીંગ.’
શાળામાં આપણે ઘણાં સમીકરણો ઉકેલ્યાં છે. એ બધી રીતોને વિશ્લેષણાત્મક ઉકેલ (Analytical Solution)કહે છે. પરંતુ વાસ્તવિક જગતનાં સમીકરણો એટલાં સીધાં સાદાં નથી હોતાં. છોડવાં મુશ્કલ હોય તેવાં સમીકરણો માટે વિશ્લેષણની રીતને બદલે આંકડાકીય રીત અપનાવાય છે. તેને ન્યૂમરિકલ રીત (Numerical Solution) કહે છે. એમાં પણ ઘણી પેટા-પદ્ધતિઓ છે જેનો વિસ્તાર અહીં જરૂરી છે. (જિજ્ઞાસુ વાંચકો તેને લગતાં પુસ્તકો જોઈ શકે.) એક તદ્દન સાદી રીત એવી છે કે અંદાજે ગમે તે કિંમત ચલ ‘x’ માટે મૂકી જવાબ મેળવાય છે અને તે જવાબ વાળી કિંમત ફરીથી સમીકરણમાં મૂકી નવો જવાબ મેળવાય છે. આવું અનેકવાર કરવાથી છેવટે ચોકસાઈવાળો ઉત્તર મળે છે.
કમ્પ્યુટરો આ કામ સારી રીતે કરી શકે છે. તેથી રિચાર્ડસનની રીતને દાયકાઓ પછી નવું જીવન મળ્યું છે. હવામાન શાસ્ત્રની આ શાખાને ન્યૂમરિકલ ફોરકાસ્ટીંગ – આંકડાકીય આગાહી કરવી – તેવું નામ અપાયું છે. આ રીતો એવી ઘટનાઓ માટે સફળ રહી છે જેનો વ્યાપ મોટો હોય (જેમ કે૧૫૦૦ કિ.મી. સુધી અસર કરતી ઘટનાઓ) અને જીવનકાળ એકથી ત્રણ દિવસનો હોય. મધ્યમ ગાળાની આગાહીની જરૂર વધવાથી તેમાં પણ આનો ઉપયોગ હમણાંથી થાય છે. માત્ર્ા સ્થાનિક હોય તેવી ઘટનાઓ માટે આ પદ્ધતિ સફળ નથી થતી.
સંખ્યા શાસ્ત્રની મદદ :
ટૂંકાગાળાની આગાહી માટે ઉપગ્રહોનાં ચિત્રો અને મધ્યમગાળા માટે પવનના પ્રવાહોનું જ્ઞાન કામ લાગે છે; પરંતુ લાંબા ગાળાની આગાહીમાં એ બંનેનો ઉપયોગ નથી. ઓગસ્ટમાં શું થશે તે જો એપ્રિલમાં જાણવું હોય તો વાતાવરણનાં અવલોકનોનો શો ઉપયોગ થાય ? તેથી વિજ્ઞાનીઓ આ માટે ‘સંભાવના’ (Probability)ની ભાષામાં વાત કરે છે. મૉનેક્સ પ્રોજેક્ટમાંથી એટલું શીખવા મળ્યું છે કે હવામાન અનેક ઘટકોથી પ્રભાવિત થાય છે; અને અમુક તો દૂરદૂરની ઘટનાઓ છે. એટલે ગણિતનો ઉપયોગ કરવો હોય તો એ જાણવા માટે કરવાનો છે કે કયા ઘટકની અસર વધારે અને કોની ઓછી. આ માટેપાછલાં ઘણાં વર્ષોની માહિતી કમ્પ્યુટરને સોંપવામાં આવે છે. Regression Analysis નામની પદ્ધતિથી કમ્પ્યુટર આ ઘટકોનો ફાળો કેટલો તે ગણી આપે છે. તેના પરથી આગાહી કરાય છે.
સમજવા માટે આપણે ભારતના વાયવ્ય ભાગ (રાજસ્થાન, પંજાબ વગેરે)માં થનાર વરસાદની વાત લઈએ. લાંબા ગાળાની સરેરાશ કરતાં એ કેટલો વધુ (કે ઓછો) થશે તે ગણવા માટે આ સૂત્રનો ઉપયોગ કરીએ.
R = 0.76 A + 1.43 B + 25. 8 C – 0.13 D
(હવામાનખાતું વખતોવખત ગણિત સુધારતું રહે છે; આ સૂત્ર પહેલાં વપરાતું હતું.)
આ સૂત્ર (કે સમીકરણ)માં
R એટલે છેલ્લાં ૫૦ વર્ષની સરેરાશ કરતાં આ વરસે કેટલો વધુ/ઓછો થશે તે આંકડો છે.
ઘટક A= કેરળ ઉપર એપ્રિલ મહિને હવાનું સરેરાશ દબાણ
ઘટક B=એ વખતે આર્જેન્ટિનામાં હવાનું દબાણ
ઘટક C= વિષુવવૃત્ત પર આવેલ જકાર્તા, ડાર્વિન અને સેચેલસ ટાપુઓ પર જાન્યુઆરીથી મે મહિના દરમિયાનનું સરેરાશ હવાનું દબાણ.
ઘટક D= લુધિયાણામાં એપ્રિલમાં સરેરાશ ઉષ્ણતામાન.
અહીં A, B, C, D સાથે જે આંકડાઓ છે તે ગયાં પચાસ વર્ષના ડેટા પરથી કમ્પ્યુટરે નક્કી કરી આપ્યા છે. જેમ આંકડો મોટો તેમ તેની અસર વધારે. આંકડો ઋણ હોય તો અસર વરસાદ ઘટાડવાની. આ સૂત્ર બની ગયા પછી આ વર્ષના A, B, C, D આંકડાઓ તેમાં મૂકવાના રહે. જો Rની કિંમત ૦.૦૫ મળે તો ૫ ટકા વરસાદ સરેરાશ કરતાં વધુ થશે તેવું એ લોકો જાહેર કરે.
આખા દેશ માટે :
આ જ પદ્ધતિએ આખા દેશના સરેરાશ વરસાદની આગાહી એપ્રિલમાં કરવામાં આવે છે. લાંબા ગાળાની આવી આગાહી ભારતમાં ૧૯૮૮નાં ચોમાસાં માટે કરવામાં આવી હતી. તેવખતે ૧૬ ઘટકો (કે સૂચકો) ને અગત્યના માનીને સમીકરણ બનાવેલું. એમાં છ ઉષ્ણતામાનને લગતા હતા, ત્રણ હવાના પ્રવાહને લગતા, પાંચ હવાના દબાણના અને એક ઉત્તરના પહાડો પરના બરફની માત્રાનો હતો. છેલ્લો સૂચક ‘અલ-નીનો’ જોડે સંકળાયેલ છે. આ રસપ્રદ ઘટના વિષે ગયાં પ્રકરણમાં વાંચી ગયાં.
થોડાં વર્ષોના અનુભવથી જણાયું કે આટલા બધા સૂચકો અગત્યના હતા નહીં. ૨૦૧૩નાં વર્ષમાં માત્ર આઠ પ્રાચલ લેવાયા અને છેલ્લાં પાંચ વર્ષથી માત્ર પાંચ સૂચકોના આધારે જ હવામાન ખાતું આગાહી કરે છે. આ શીખવાની પ્રક્રિયા હતી અને વિજ્ઞાનની સારી ખાસિયતમાં એ આવે. તેથી એ વરસોમાં ક્યારેક આગાહી ખોટી પડી હોય તો પણ તેની ટીકા કરવાનો કોઈ અર્થ નથી. વર્ષ ૨૦૨૦ માટે નીચે મુજબના ઘટકોને લેવાયા હતા.
| ક્રમ | મહિના |
પ્રાચલ |
| ૧. | ડિસે.-જાન્યુઆરી | ઉત્તર આટલાંટિક અને ઉત્તર પ્રશાંત સાગરનાં પાણીનાં ઉષ્ણતામાન વચ્ચેનો તફાવત |
| ૨. | ફેબ્રુઆરી | હિંદ મહાસાગરનાં પાણીનું વિષુવવૃત્ત નજીક ઉષ્ણતામાન |
| ૩. | ફેબ્રુ–માર્ચ | પૂર્વ એશિયા નજીક સમુદ્રની સપાટીએ હવાનું સરેરાશ દબાણ |
| ૪. | જાન્યુઆરી | વાયવ્ય યુરોપમાં જમીન નજીકની હવાનું ઉષ્ણતામાન |
| ૫. | ફેબ્રુ–માર્ચ | પ્રશાંત મહાસાગરનાં વિષુવવૃત્ત પાસે ગરમ પાણીની માત્રા |
ક્રમાંક ૩ અને ૫ના સૂચકો અલ-નીનો જોડે સંકળાયેલ છે. આ ઘટકો ઉપરાંત બીજા દેશો તરફથી કરાતા અવલોકનો અને તારણોને પણ હવામાન ખાતું ધ્યાન પર લે છે. પરાેક્ષ રીતે આમાં અલ-નીનોને સંલગ્ન હકીકતો પણ સમાવાઈ છે. ખાતાંએ ‘મોન્સૂન મિશન’ નામે પ્રોજેક્ટ શરૂ કર્યો છે તે પરથી બનેલ Climate Ferecosting Systemમાંથી મળેલ માહિતી ને પણ છેલ્લાં ત્રણ વરસથી સમાવી લેવામાં આવે છે. એપ્રિલમાં કરેલ વરતારામાં માર્ચ સુધીની પરિસ્થિતિને વણી લેવાય છે. એટલે જૂનમાં ફરીથી સુધારેલી આગાહી બહાર પાડે છે, જેમાં ત્યાર લગીનાં અવલોકનો વાપરવાથી ચોકસાઈ વધે છે.
અગાઉનાં ઉદાહરણમાં જોયું હતું તેમ અહીં પણ લાંબા ગાળાની સરેરાશ (Long Period Average, LPA) કરતાં વરસાદ કેટલો વધુ કે ઓછો થશે તે કહેવાય છે. અત્યારે ભારતની આ સરેરાશ ૮૮ સે.મી. વરસાદની છે. જેમ કે ૨૦૨૨ માં તેના ૯૯ ટકા વરસાદની આગાહી છે. આમાં ૪ ટકા ભૂલની સંભાવના પણ રહેલી હોય છે. એટલે LPAના ૯૫ ટકાથી ૧૦૩ ટકા વરસાદ થઈ શકે. વાર્ષિક આગાહી કેટલીક અસરકારક છે તે કોષ્ટક-૭માં બતાવ્યું છે.
|
કોષ્ટક – ૭ : આગાહી કેટલી સાચી ? |
||||
| વર્ષ | આગાહી
(ટકામાં) |
ખરેખર વરસાદ
(ટકામાં) |
સાચી કે ખોટી | અલ–નીનો
પરિસ્થિતિ |
| ૨૦૦૫ | ૯૮ | ૯૩ | ખોટી | ન્યૂટ્રલ |
| ૨૦૦૬ | ૯૩ | ૯૩ | ખરી | ન્યૂટ્રલ |
| ૨૦૦૭ | ૯૩ | ૧૧૨ | ખોટી | લા–નીના |
| ૨૦૦૯ | ૧૦૦ | ૯૮ | ખરી | ન્યૂટ્રલ |
| ૨૦૧૦ | ૧૦૨ | ૧૦૨ | ખરી | લા–નીના |
| ૨૦૧૧ | ૯૫ | ૧૦૨ | ખોટી | લા–નીના |
| ૨૦૧૨ | ૯૬ | ૯૨ | સાચી | લા–નીના |
| ૨૦૧૩ | ૯૮ | ૧૦૬ | સાચી | અલ–નીનો |
| ૨૦૧૪ | ૯૩ | ૮૮ | ખોટી | અલ–નીનો |
| ૨૦૧૫ | ૯૩ | ૮૪ | ખોટી | અલ–નીનો |
| ૨૦૧૬ | ૯૩ | ૮૬ | ખોટી | ન્યૂટ્રલ |
| ૨૦૧૭ | ૧૦૬ | ૧૦૫ | ખરી | — |
| ૨૦૧૮ | ૯૭ | ૯૧ | થોડી ખોટી | ન્યૂટ્રલ |
| ૨૦૧૯ | ૯૭ | ૧૧૦ | ખોટી (પણ સારી) | ન્યૂટ્રલ |
| ૨૦૨૦ | ૧૦૦ | ૧૦૯ | ખરી | ન્યૂટ્રલ |
| ૨૦૨૧ | ૧૦૧ | ૯૯ | — | થોડો સમય લા– નીના |
| ૨૦૨૨ | ૯૯ | — | — | થોડો સમય લા– નીના |
કોઠા ઉપર નજર નાંખતાં સ્પષ્ટ છે કે આગાહીનો અંદાજ આશરે અરધા વર્ષોમાં ખરો અને અર્ધામાં ખોટો છે. તેમાં કેટલાક કિસ્સા રસપ્રદ છે. જેમ કે ૨૦૦૭માં LPAના ૯૩ ટકા વરસાદની આશા હતી. ૪ ટકાની ભૂલ ઉમેરો તો પણ ૯૭ ટકા થાય. તેને બદલે ૧૧૨ ટકા વરસાદ થયો. તેની પાછળનું કારણ લા-નીના છે. અલ-નીનોના આ જોડીદાર વિષે આવતાં પ્રકરણમાં વાંચી લીધા પછી આ કોષ્ટક પર ફરીથી નજર નાંખવાથી આ ઘટકનું મહત્ત્વ સમજાશે. તેમ આગાહીનાં કાર્યની સંકુલતા પણ સમજાશે. આ વર્ષ ૨૦૨૨ માટે LPA ના ૯૯ ટકા વરસાદની આગાહી છે. એ રીતે સતત ચોથું વર્ષ સારા વરસાદનું થાય તેવી વિરલ સંભાવના છે.
ક્ષેત્રિય વિતરણ :
આપણા વિશાળ દેશમાં પ્રદેશો-પ્રદેશો વચ્ચે વરસાદની માત્રામાં ઘણી ભિન્નતા છે તે આપણે અગાઉ વાંચી ગયાં. આથી દેશ આખાની સરેરાશ વરસાદની આગાહીનો બહુ ઉપયોગ રહેતો નથી. આથી હવામાન ખાતાંએ દેશના પાંચ ભૌગોલિક ભાગ કર્યા છે અને દરેક વિભાગ માટે અલાયદી આગાહી પણ બહાર પાડવાનું શરૂ કર્યું છે. તેના માટે જુદાં ‘મોડેલ’ વિકસિત કર્યાં છે, જેનું ઉદાહરણ આપણે જોયું. આ રીતે પ્રાદેશિક આગાહીને કારણે જે તે વિસ્તારના ખેડૂતો અને પ્રજાને વધુ સગવડ થાય છે.
અને છેલ્લે – હવામાનની આગાહી ખોટી પડવા વિષે કાર્ટૂનો અને ટૂચકાઓ આપણે જોયાં છે. આ પછી કદાચ વાંચકને તેમાંથી આનંદ નહીં મળે. વિધિની મજાક એ છે કે જ્યારે હવામાન શાસ્ત્રી સૂકાં વરસની આગાહી કરે છે ત્યારે આ મજાક ઉડાડનાર લોકો જ એ ખોટો પડે તેવી આશા રાખે છે ! છે ને માનવ મનની બલિહારી.
|
આગાહી કેટલી અગાઉથી ? હવામાનની કોઈ પણ ઘટનાની આગાહી કેટલી પહેલાં કરી શકાય? તેનો આધાર એ ઘટના કેટલો સમય ચાલનારી છે તેના ઉપર છે. જેમ કે ગામમાં વંટોળિયો આવે તે ૧૦–૧૫ મિનિટ ચાલે છે; તો તેની આગાહી ૧૫–૨૦ મિનિટ અગાઉ જ થઈ શકે. તેથી અગાઉ જે નિરીક્ષણ કરો તો એ વચ્ચેના ગાળામાં બદલાઈ જઈ શકે. ત્રણ મહિના ચાલતાં ચોમાસાંની આગાહી બહુ તો ત્રણ મહિના પહેલાં થાય. આ થઈ સમય અંગેની ચોકસાઈની વાત. સ્થળ વિષે પણ એવું જ છે. વાદળાંનો એક સમૂહ વરસાદ પાડી શકે તેવો લાગતો હોય તો અંદાજ કાઢી શકાય કે સૌરાષ્ટ્ર ઉપર વરસશે. પરંતુ કયા તાલુકા કે કયા ગામ ઉપર એ વરસે તે ન કહી શકાય. આગાહી ઘટનાથી જેટલી વહેલી કરાય તેટલી તેની અચોક્કસતા વધારે. ગુરુવારનાં ઉષ્ણતામાનની આગાહી સોમવારે કરો તો ૩૦ સે. જેટલી ખોટી પડી શકે. (અથવા આગાહીમાં એટલી રેન્જ આપવી જોઈએ) પરંતુ બુધવારે એ જ આગાહી ૧૦ સે. ની ચોકસાઈથી કરી શકાય. |
ક્રમશઃ
ડૉ. પરેશ ર. વૈદ્યનો સંપર્ક prvaidya@gmail.com વિજાણુ સરનામે થઈ શકે છે.
વેબ ગુર્જરી 