WeatherNext 3 প্রতি ঘণ্টায় পূর্বাভাস দেয়—স্থানীয় বৃষ্টি তবু নিশ্চিত নয়

Google DeepMind ও Google Research ৩ সেপ্টেম্বর ২০২৬-এ WeatherNext 3 চালু করেছে। মডেলটি সাম্প্রতিক ভূস্থির উপগ্রহ পর্যবেক্ষণ নিয়ে প্রতি ঘণ্টায় নতুন বৈশ্বিক পূর্বাভাস তৈরি করে; TechCrunch-এর স্বাধীন প্রতিবেদন একই দিনের প্রকাশ এবং Search, Google Maps, Gemini ও Google-এর ক্লাউড প্ল্যাটফর্মে এর ফল ব্যবহারের পরিকল্পনা নিশ্চিত করেছে।

৩ সেপ্টেম্বরের এই প্রকাশে তিনটি পৃথক উন্নতি এসেছে: নতুন পূর্বাভাস শুরুর ব্যবধান ছয় ঘণ্টা থেকে এক ঘণ্টায় নেমেছে, নির্বাচিত ফল আগের চেয়ে সূক্ষ্ম গ্রিডে তৈরি হচ্ছে এবং নির্দিষ্ট পরীক্ষায় পূর্বাভাসের দক্ষতা বেড়েছে। কিন্তু ঘন ঘন রান, সূক্ষ্ম গ্রিড ও বেশি দক্ষতা একই মাপকাঠি নয়; তাই WeatherNext 3 বাংলাদেশের কোনো নির্দিষ্ট পাড়া, রাস্তা বা মাঠে ঠিক কখন বৃষ্টি নামবে, তার নিশ্চয়তা দেয় না।

প্রতি ঘণ্টার রান আসলে কী বদলায়

WeatherNext 3-এর প্রধান পরিবর্তন হলো পূর্বাভাসের সূচনাকাল। নতুন উপগ্রহ পর্যবেক্ষণ পাওয়ার পর মডেলটি প্রতি ঘণ্টায় বায়ুমণ্ডলের অবস্থা নতুন করে ধরে একটি পূর্ণ পূর্বাভাস চালাতে পারে। দ্রুত গড়ে ওঠা মেঘ বা বৃষ্টিবলয়ের ক্ষেত্রে এর অর্থ, পরবর্তী ছয় ঘণ্টার নির্ধারিত রানের জন্য অপেক্ষা না করেই সাম্প্রতিক পর্যবেক্ষণের প্রভাব নতুন ফলে আসতে পারে।

এটি শুধু পুরোনো একটি রান থেকে প্রতি ঘণ্টার মান বের করার সমার্থক নয়। ৩ সেপ্টেম্বর জমা দেওয়া ২৫ লেখকের WeatherNext 3 প্রিপ্রিন্ট নথিভুক্ত করেছে যে মডেলটি কম বিলম্বের ভূস্থির উপগ্রহ উপাত্ত গ্রহণ করে প্রতি ঘণ্টায় নতুন রান শুরু করে; একক-স্তরের চলগুলোর জন্য ঘণ্টাভিত্তিক ফল দিলেও অবশিষ্ট কিছু বায়ুমণ্ডলীয় চল ও ঘূর্ণিঝড়ের ফল ছয় ঘণ্টার ব্যবধানে থাকে। ফলে “প্রতি ঘণ্টার পূর্বাভাস” বলতে সব চলের প্রতিটি ফল একই সময়ধাপে প্রকাশিত হচ্ছে—এমনটি বোঝায় না।

প্রিপ্রিন্টটি গবেষণার প্রথম arXiv সংস্করণ, সমকক্ষ-পর্যালোচিত চূড়ান্ত প্রকাশনা নয়। সেখানে ব্যবহৃত উৎপাদন মডেলটি চালু অবস্থায় আছে বলে উল্লেখ করা হয়েছে, তবে গবেষণার অধিকাংশ মূল্যায়ন ২০২৪ সালের তথ্য এবং ২০২৩ সালের শেষ পর্যন্ত প্রশিক্ষিত একটি সংস্করণ দিয়ে করা। এই পার্থক্য প্রকাশিত পরীক্ষার ফলকে বর্তমান উৎপাদন ব্যবস্থার প্রতিটি পূর্বাভাসের নিশ্চয়তা হিসেবে পড়তে বাধা দেয়।

সূক্ষ্ম গ্রিড মানেই রাস্তা-স্তরের মাপ নয়

Spatial resolution জানায় মডেল কত ছোট ভৌগোলিক এককে একটি ফল প্রকাশ করছে। Google-এর আনুষ্ঠানিক ঘোষণায় নির্বাচিত তাপমাত্রা ও আর্দ্রতার ফলের জন্য ৫ কিলোমিটার, অন্যান্য পৃষ্ঠ-চলের জন্য ১০ কিলোমিটার এবং বায়ুমণ্ডলীয় চলের জন্য ২৫ কিলোমিটার গ্রিডের কথা বলা হয়েছে; তুলনায় WeatherNext 2-এর গ্রিড ছিল ২৫ কিলোমিটার। একই ঘোষণায় বৃষ্টির দৃশ্যমান তুলনাটি ১১ কিলোমিটার resolution-এ দেখানো এবং পরীক্ষার reference অনুযায়ী CRPS উন্নতি IMERG-এর বিপরীতে সর্বোচ্চ ৬০ শতাংশ, MRMS-এর বিপরীতে ৩০ শতাংশ ও প্রাথমিক lead time-এ rain gauge-এর বিপরীতে ১০ শতাংশ বলা হয়েছে।

এই ভিন্ন মানগুলো দেখায়, WeatherNext 3-এর জন্য একটিমাত্র সর্বজনীন “৫ কিলোমিটার resolution” নেই। কোন চল দেখা হচ্ছে, ফলটি grid-based নাকি station-targeted এবং কোন যাচাই-উপাত্ত ব্যবহার করা হয়েছে—তার সঙ্গে resolution ও reported skill বদলে যায়। Google-এর এক দিন বা তার বেশি সময়ের বৃষ্টির পূর্বাভাসে “সর্বোচ্চ ৫০ শতাংশ বেশি নির্ভুল” দাবি তাই নির্দিষ্ট মূল্যায়নের সারাংশ, প্রতিটি স্থানের জন্য সমান উন্নতির হার নয়।

একটি ৫ বা ১০ কিলোমিটারের ঘরের ভেতরেও নদী, জলাভূমি, ঘন নগর এলাকা, কৃষিজমি ও ভিন্ন উচ্চতার ভূমি থাকতে পারে। মডেল ছোট ঘরে ফল দিলেও ঘরটির প্রতিটি বিন্দু আলাদাভাবে পর্যবেক্ষণ করে না। মানচিত্রে বৃষ্টির সীমানা ধারালো দেখানো আর বাস্তবে সেই সীমানা একই রাস্তা বা মাঠের ওপর পড়া তাই দুটি আলাদা বিষয়।

Forecast skill কেন আলাদা হিসাব

Forecast frequency বলে নতুন তথ্য কত দ্রুত একটি রানে ঢুকছে, spatial resolution বলে ফল কত সূক্ষ্মভাবে সাজানো, আর forecast skill বলে বহু পূর্বাভাসকে পর্যবেক্ষণের সঙ্গে তুলনা করলে ত্রুটি বা probabilistic score কতটা ভালো হচ্ছে। প্রথম দুটি বৈশিষ্ট্য তৃতীয়টিকে সহায়তা করতে পারে, কিন্তু নিজেরাই নির্ভুলতার প্রমাণ নয়। প্রতি ঘণ্টায় ভুল পূর্বাভাসও নবায়িত হতে পারে, আবার মোটা গ্রিডের একটি পূর্বাভাস বৃহৎ বৃষ্টিবলয়ের অবস্থান ঠিক ধরতে পারে।

WeatherNext 3 একটি ensemble model: সম্ভাব্য ভবিষ্যৎ আবহাওয়ার একাধিক সদস্য তৈরি করে এবং CRPS-এর মতো probabilistic metric দিয়ে তাদের মূল্যায়ন করা হয়। এ ধরনের score সম্ভাবনার বণ্টন কতটা ভালো তা বিচার করে; এটি কোনো এক স্থানে “বৃষ্টি হবে” বা “হবে না” সিদ্ধান্তের শতকরা সাফল্যের সরাসরি অনুবাদ নয়। IMERG, MRMS ও rain gauge-এর বিপরীতে আলাদা উন্নতির হার পাওয়ার কারণও reference data, অঞ্চল, lead time ও পরিমাপের পদ্ধতি এক নয়।

বৃষ্টির ক্ষেত্রে অবস্থান ও সময়ের সামান্য বিচ্যুতিও স্থানীয় ফল বদলে দিতে পারে। একটি ensemble বাংলাদেশের ওপর বিস্তৃত বর্ষাবলয়ের উপস্থিতি নিয়ে একমত হলেও তার প্রান্ত কোন জেলা বা উপজেলার ওপর পড়বে, তা নিয়ে সদস্যগুলোর ফল আলাদা হতে পারে। আঞ্চলিক সংকেত ভালো হওয়া এবং নির্দিষ্ট স্থানের ফল অনিশ্চিত থাকা তাই পরস্পরবিরোধী নয়।

বাংলাদেশের জন্য কী জানা গেছে, কী জানা যায়নি

বাংলাদেশের ক্ষেত্রে প্রতি ঘণ্টার রান দ্রুত বদলানো বর্ষাকালীন মেঘের নতুন উপগ্রহচিত্র আগের চেয়ে তাড়াতাড়ি পূর্বাভাসে আনার সুযোগ দেয়। সূক্ষ্ম surface output উপকূল, নদীবহুল বদ্বীপ ও ভিন্ন ভূমি ব্যবহারের বড় পার্থক্য আগের ২৫ কিলোমিটার grid-এর তুলনায় কম মসৃণ করে দেখাতে পারে। তবে স্থানীয় বজ্রগর্ভ মেঘের জন্ম, বৃষ্টির তীব্রতা এবং একটি ছোট এলাকার ওপর তার সঠিক পথ—এই তিনটিই অনিশ্চয়তার উৎস হিসেবে থেকে যায়।

প্রকাশিত ঘোষণা ও প্রিপ্রিন্টে বাংলাদেশকেন্দ্রিক monsoon, বজ্রঝড় বা অতি ভারী বৃষ্টির স্বতন্ত্র skill table দেওয়া হয়নি। বৈশ্বিক বা অন্য অঞ্চলের aggregate score থেকে বাংলাদেশের প্রতিটি মৌসুম, lead time ও এলাকায় একই উন্নতি ধরে নেওয়া তাই সমর্থিত নয়। নির্দিষ্ট স্থানের বিশ্বাসযোগ্যতা বিচার করতে বাংলাদেশ ও বঙ্গীয় বদ্বীপে পর্যবেক্ষণের বিপরীতে ঋতুভিত্তিক মূল্যায়ন দরকার হবে।

WeatherNext 3 এখন কেবল গবেষণাগারের ধারণা নয়: এর ফল Google-এর আবহাওয়া-অভিজ্ঞতায় যুক্ত হতে শুরু করেছে এবং BigQuery, Earth Engine ও Cloud Storage-এর মাধ্যমে গবেষক ও developer-দের জন্য উপাত্ত দেওয়া হচ্ছে। কিন্তু কোনো Google পর্দায় দেখা প্রতিটি weather variable যে একই resolution, একই initialization time বা একই WeatherNext 3 configuration থেকে এসেছে, প্রকাশিত তথ্য তা নিশ্চিত করে না। এখন পর্যন্ত নিশ্চিত সিদ্ধান্ত হলো—মডেলটি আরও সাম্প্রতিক পর্যবেক্ষণ নিয়ে ঘন ঘন এবং নির্বাচিত ক্ষেত্রে সূক্ষ্মতর বৈশ্বিক পূর্বাভাস দেয়; বাংলাদেশের নির্দিষ্ট স্থান ও ঘণ্টার বৃষ্টি নিশ্চিত করার প্রমাণ এখনো নেই।