คณิตศาสตร์กับการรับมือภาวะโลกร้อน (Climate Modeling)

ผศ.เฉลิมวุฒิ คำเมือง 11 มกราคม 2026

ท่ามกลางวิกฤตการณ์การเปลี่ยนแปลงสภาพภูมิอากาศที่ทวีความรุนแรงขึ้น “คณิตศาสตร์” ไม่ได้เป็นเพียงวิชาที่อยู่ในตำรา แต่คือเครื่องมือที่ทรงพลังที่สุดที่มนุษย์มีในการทำความเข้าใจ พยากรณ์ และวางแผนเพื่อความอยู่รอดของเผ่าพันธุ์

ในฐานะนักคณิตศาสตร์ เรามองว่าโลกคือ ระบบพลวัตที่ซับซ้อน (Complex Dynamical System) บทความนี้จะเจาะลึกถึงโครงสร้างคณิตศาสตร์ที่ทำหน้าที่เป็นกระดูกสันหลังของการสร้างแบบจำลองภูมิอากาศ (Climate Modeling)

1. หัวใจของโมเดล: สมการเชิงอนุพันธ์ย่อย (PDEs)

การพยากรณ์อากาศและภูมิอากาศเริ่มต้นจากกฎพื้นฐานทางฟิสิกส์ ซึ่งถูกเขียนอยู่ในรูปของ Partial Differential Equations (PDEs) โดยมีสมการที่เป็นหัวใจสำคัญคือ Navier-Stokes Equations ซึ่งใช้อธิบายการไหลของอากาศในชั้นบรรยากาศและน้ำในมหาสมุทร:

\rho \left( \frac{\partial \mathbf{v}}{\partial t} + \mathbf{v} \cdot \nabla \mathbf{v} \right) = -\nabla p + \mu \nabla^2 \mathbf{v} + \mathbf{f}

ความท้าทายทางคณิตศาสตร์: สมการนี้มีความไม่เป็นเชิงเส้น (Non-linearity) สูงมาก ทำให้การหาคำตอบที่แม่นยำ (Analytical Solution) แทบจะเป็นไปไม่ได้ นักคณิตศาสตร์จึงต้องใช้การวิเคราะห์เชิงตัวเลข (Numerical Analysis) เพื่อหาคำตอบโดยประมาณที่มีความใกล้เคียงที่สุด

2. การแบ่งโลกเป็นสัดส่วน: Discretization และ Grid Computing

เนื่องจากเราไม่สามารถคำนวณทุกจุดบนโลกที่มีความต่อเนื่องได้ นักคณิตศาสตร์จึงใช้เทคนิค Discretization เพื่อแบ่งชั้นบรรยากาศและมหาสมุทรออกเป็น “กล่อง” หรือ “ตาข่าย” (Grid) ขนาดเล็ก

Finite Element Method (FEM) หรือ Finite Volume Method (FVM): ถูกนำมาใช้เพื่อเปลี่ยนสมการ PDE ที่ซับซ้อนให้กลายเป็นระบบสมการพีชคณิตที่คอมพิวเตอร์สามารถคำนวณได้
Resolution vs. Complexity: ยิ่งเราแบ่งกล่องให้เล็กมากเท่าไหร่ (High Resolution) ความแม่นยำก็จะยิ่งสูงขึ้น แต่ต้องแลกมาด้วยพลังการประมวลผลมหาศาลระดับ Supercomputer

3. ทฤษฎีความโกลาหล (Chaos Theory) และความไม่แน่นอน

ภูมิอากาศเป็นระบบที่มีความไวต่อค่าเริ่มต้น (Sensitive to initial conditions) หรือที่รู้จักกันในชื่อ Butterfly Effect

\frac{dx}{dt} = \sigma(y - x), \quad \frac{dy}{dt} = x(\rho - z) - y, \quad \frac{dz}{dt} = xy - \beta z

นักคณิตศาสตร์ใช้ Lorenz Attractor เพื่ออธิบายว่าการเปลี่ยนแปลงเพียงเล็กน้อยในปัจจุบันสามารถนำไปสู่ผลลัพธ์ที่แตกต่างกันอย่างสิ้นเชิงในอนาคต เพื่อรับมือกับสิ่งนี้ เราจึงไม่ใช้การพยากรณ์เพียงครั้งเดียว แต่ใช้ Ensemble Forecasting คือการรันโมเดลหลายๆ ครั้งด้วยค่าเริ่มต้นที่ต่างกันเล็กน้อย แล้วใช้ สถิติและทฤษฎีความน่าจะเป็น เพื่อหาผลลัพธ์ที่มีโอกาสเกิดขึ้นมากที่สุด

4. การป้อนกลับ (Feedback Loops) และจุดเปลี่ยน (Tipping Points)

คณิตศาสตร์ช่วยให้เราคำนวณ Positive Feedback Loops เช่น เมื่อน้ำแข็งขั้วโลกละลาย พื้นผิวโลกจะสะท้อนความร้อนได้น้อยลง (Albedo Effect) ทำให้อุณหภูมิสูงขึ้นและน้ำแข็งละลายเร็วขึ้นไปอีก

นักคณิตศาสตร์ใช้ Bifurcation Theory เพื่อหา “จุดเปลี่ยน” (Tipping Points) ซึ่งเป็นสภาวะที่ระบบภูมิอากาศเปลี่ยนแปลงไปอย่างกู่ไม่กลับ แม้ว่าเราจะหยุดปล่อยก๊าซเรือนกระจกแล้วก็ตาม การคำนวณหาจุดวิกฤตเหล่านี้จึงมีความสำคัญอย่างยิ่งในการวางนโยบายระดับโลก

5. บทสรุป: คณิตศาสตร์คือแสงสว่างในอนาคตที่มืดมน

การรับมือกับภาวะโลกร้อนไม่ใช่แค่เรื่องของการปลูกป่าหรือการใช้พลังงานสะอาด แต่คือการใช้คณิตศาสตร์เพื่อ:

Optimizing: หาทางเลือกที่ดีที่สุดในการลดการปล่อยก๊าซภายใต้งบประมาณที่จำกัด (Linear & Non-linear Programming)
Risk Assessment: ประเมินความเสี่ยงของภัยพิบัติเพื่อเตรียมโครงสร้างพื้นฐาน (Extreme Value Theory)
Data Assimilation: การรวมข้อมูลจากดาวเทียมเข้ากับโมเดลทางคณิตศาสตร์อย่างต่อเนื่องเพื่อปรับปรุงความแม่นยำ (Kalman Filter)

ในฐานะอาจารย์คณิตศาสตร์ การส่งต่อความเข้าใจเรื่อง “ความงามที่มีประโยชน์” ของคณิตศาสตร์ในการกู้โลกให้กับนักศึกษา จึงเป็นภารกิจที่สำคัญไม่แพ้การแก้สมการใดๆ