வானிலை முன்னறிவிப்பில் பயன்படுத்தப்படும் தொழில்நுட்பம்

வானிலை முன்னறிவிப்பில் பயன்படுத்தப்படும் தொழில்நுட்பங்கள்

விவசாயிகள் எப்போது பயிரிட வேண்டும் என்று தீர்மானிப்பது, மீனவர்கள் ஓதங்களைக் கண்காணிப்பது, விமான நிறுவனங்கள் தங்கள் பயணங்களைத் திட்டமிடுவது, மற்றும் சாதாரண மக்கள் குடை கொண்டு செல்ல வேண்டுமா என்று யோசிப்பது என, பொதுமக்களால் அதிகம் பயன்படுத்தப்படும் தகவல் சேவைகளில் வானிலை முன்னறிவிப்புகளும் ஒன்றாகும். "இன்று பிற்பகல் லேசான மழை" அல்லது "கடலோரப் பகுதிகளில் புயலுக்கான சாத்தியம் உள்ளது" போன்ற எளிய தகவல்களுக்குப் பின்னால், ஒரு சிக்கலான தொழில்நுட்பங்களின் தொகுப்பு உள்ளது. இந்தத் தொழில்நுட்பங்கள் வளிமண்டலத்தைக் கண்காணித்து, பெருமளவிலான தரவுகளைச் செயலாக்கி, கணித மாதிரிகளை இயக்கி, பின்னர் முடிவுகளை எளிதில் புரிந்துகொள்ளும் வகையில் வழங்குகின்றன. இந்தக் கட்டுரை நவீன வானிலை முன்னறிவிப்பில் பயன்படுத்தப்படும் முக்கிய தொழில்நுட்பங்களைப் பற்றி விவாதிக்கிறது.

1. கண்காணிப்பு வலையமைப்பு: முதன்மைத் தரவு மூலம்

துல்லியமான வானிலை முன்னறிவிப்புகள், தற்போதைய வளிமண்டல நிலைமைகள் குறித்த தரவுகள் என்ற ஒரு அடிப்படைக் கூறினைச் சார்ந்துள்ளன. இந்தத் தரவுகளைப் பெறுவதற்காக, வானிலை ஆய்வு நிறுவனங்கள் நிலம், கடல் மற்றும் வான்வெளியில் அமைந்துள்ள பல்வேறு கண்காணிப்புக் கருவிகளைப் பயன்படுத்துகின்றன.

அ. தரை வானிலை நிலையம்
தரை வானிலை நிலையம் என்பது காற்றின் வெப்பநிலை, ஈரப்பதம், காற்றழுத்தம், காற்றின் வேகம் மற்றும் திசை, மற்றும் மழைப்பொழிவு போன்ற அடிப்படை வானிலை மாறிகளை அளவிடும் ஒரு கருவியாகும். தற்போது பல நிலையங்கள் தானியங்குமயமாக்கப்பட்டுள்ளன (தானியங்கு வானிலை நிலையங்கள்/AWS), இது தரவுகளை நிகழ்நேரத்தில் செயலாக்க மையங்களுக்கு அனுப்ப அனுமதிக்கிறது. இந்த நிலையங்கள் விமான நிலையங்கள், நகர்ப்புறங்கள், மலைப்பகுதிகள் அல்லது தொலைதூரப் பகுதிகளில்கூட அமைந்திருக்கலாம்.

b. ரேடியோசோண்ட் மற்றும் வானிலை பலூன்
வளிமண்டல நிலைமைகள் மேற்பரப்பில் மட்டுமல்லாமல், அதற்கு மேலுள்ள அடுக்குகளிலும் முக்கியமானவை. ரேடியோசோண்டுகள் என்பவை வானிலை பலூன்களால் எடுத்துச் செல்லப்படும் உணர்விகள் ஆகும். இவை, மேற்பரப்பிலிருந்து பல பத்து கிலோமீட்டர் உயரம் வரையிலான வளிமண்டலத்தின் செங்குத்துத் தன்மையை – அதாவது வெப்பநிலை, ஈரப்பதம் மற்றும் காற்றை – அளவிடுகின்றன. வளிமண்டல நிலைத்தன்மை, வெப்பச்சலன மேகங்கள் உருவாவதற்கான சாத்தியக்கூறுகள் மற்றும் புயல் அமைப்புகளின் வளர்ச்சி ஆகியவற்றைப் புரிந்துகொள்வதற்கு இந்தத் தரவுகள் மிக முக்கியமானவை.

சி. மிதவைகள் மற்றும் கடல் கண்காணிப்பு
கடலில், அளவீட்டு மிதவைகள் கடல் மேற்பரப்பு வெப்பநிலை, அலை உயரம், காற்று அழுத்தம் மற்றும் காற்றின் வேகம் ஆகியவற்றை அளவிடுகின்றன. இந்தத் தகவல், உயரமான அலைகள் மற்றும் வெப்பமண்டலப் புயல்களின் சாத்தியக்கூறுகள் உட்பட, கடலோர மற்றும் கடல்சார் வானிலை முன்னறிவிப்பிற்கு மிகவும் முக்கியமானதாகும். மிதவைகள் தவிர, பயணம் செய்யும்போதே வானிலை அறிக்கைகளை அனுப்பும் கப்பல்களிலிருந்தும் (தன்னார்வ கண்காணிப்புக் கப்பல்கள்) தரவுகளைப் பெறலாம்.

d. உணரிகளாக விமானங்கள்
நவீன வர்த்தக விமானங்கள், தானியங்கி அறிக்கை அமைப்புகள் (எ.கா., AMDAR) மூலம் வளிமண்டலத் தரவுகளின் ஆதாரங்களாகப் பெரும்பாலும் செயல்படுகின்றன. விமானங்கள் புறப்படும்போதும் தரையிறங்கும்போதும், பல்வேறு உயரங்களில் வெப்பநிலை மற்றும் காற்றை அளவிடுகின்றன. இது, குறிப்பாக அதிக போக்குவரத்து நெரிசல் உள்ள விமானப் பாதைகளில், மதிப்புமிக்க கூடுதல் தகவல்களை வழங்குகிறது.

2. வானிலை ரேடார்: மழை மற்றும் மேகங்களை நேரலையில் காணுங்கள்

வானிலை ரேடார் என்பது மழைப்பொழிவு, புயல்கள் மற்றும் மேக அமைப்பை நிகழ் நேரத்தில் கண்காணிப்பதற்கான ஒரு முக்கிய தொழில்நுட்பமாகும். ரேடார் மைக்ரோ அலைகளை வெளியிடுகிறது மற்றும் வளிமண்டலத் துகள்களிலிருந்து (மழைத்துளிகள் அல்லது ஆலங்கட்டி கற்கள் போன்றவை) பிரதிபலிப்புகளைப் பெறுகிறது. இந்த பிரதிபலித்த சமிக்ஞைகளிலிருந்து, ரேடாரால் மழைப்பொழிவின் தீவிரத்தையும் வானிலை அமைப்புகளின் நகர்வையும் மதிப்பிட முடியும்.

டாப்ளர் ரேடார், தன்னை நோக்கி அல்லது தன்னை விட்டு விலகிச் செல்லும் துகள்களின் வேகத்தை அளவிடும் கூடுதல் திறனைக் கொண்டுள்ளது. இது புயல் சுழற்சி, ஏற்படக்கூடிய சூறாவளிகள் மற்றும் கீழ்நோக்கிய காற்று வீச்சுகளைக் கண்டறிய உதவுகிறது. சில ரேடார்களில் இரட்டை முனைவாக்கமும் உள்ளது; இது இரண்டு திசைகளில் அலைகளை வெளியிடுகிறது, இதன் மூலம் மழைப்பொழிவு வகைகளை (மழை, ஆலங்கட்டி மழை மற்றும் கலப்பு மழைப்பொழிவு) சிறப்பாக வேறுபடுத்தி அறிய முடிகிறது.

3. வானிலை செயற்கைக்கோள்கள்: பிராந்திய அளவிலிருந்து உலகளாவிய அளவு வரை கண்காணித்தல்

ரேடார் அது நிறுவப்பட்ட இடத்திலிருந்து ஒரு குறிப்பிட்ட தூரத்திற்குள் திறம்பட செயல்பட்டாலும், பெரிய அளவிலான கண்காணிப்புகளுக்கு செயற்கைக்கோள்களே சிறந்து விளங்குகின்றன. வானிலை செயற்கைக்கோள்கள், திறந்த பெருங்கடல் மற்றும் குறைவான கண்காணிப்பு நிலையங்களைக் கொண்ட பகுதிகள் உட்பட பரந்த நிலப்பரப்புகளில், மேகங்களின் அமைப்பு, மேக உச்சியின் வெப்பநிலை, நீராவி மற்றும் புயல்களின் நகர்வுகளைக் கூட கண்காணிக்கின்றன.

வானிலை செயற்கைக்கோள்களில் இரண்டு முக்கிய வகைகள் உள்ளன:

1. புவிநிலைச் செயற்கைக்கோள்கள்: இவை அதிக உயரத்தில் சுற்றிவருவதோடு, பூமியில் உள்ள ஒரு குறிப்பிட்ட புள்ளியைப் பொறுத்து நிலையாக நிலைத்திருக்கும். விரைவான படப் புதுப்பிப்புகளுடன் (எ.கா., ஒவ்வொரு 10 நிமிடங்களுக்கும் அல்லது அதைவிட வேகமாக) ஒரே பகுதியைத் தொடர்ந்து கண்காணிக்கும் திறன் இவற்றின் நன்மையாகும். வேகமாக உருவாகும் புயல்களைக் கண்காணிப்பதற்கு இது குறிப்பாகப் பயனுள்ளதாக இருக்கிறது.

2. துருவச் செயற்கைக்கோள்கள்: இவை துருவத்திலிருந்து துருவத்திற்குச் சுற்றி வந்து, பூமியின் முழு மேற்பரப்பையும் பலமுறை ஆய்வு செய்கின்றன. இந்தச் செயற்கைக்கோள்கள் பொதுவாக உலகளாவிய பகுப்பாய்வு மற்றும் முன்னறிவிப்பு மாதிரி உள்ளீட்டிற்காக சிறந்த தெளிவுத்திறனையும் மேலும் விரிவான தரவுகளையும் வழங்குகின்றன.

செயற்கைக்கோள் உணர்விகள் பல்வேறு அலைநீளங்களில் செயல்படுகின்றன; எடுத்துக்காட்டாக, மேகங்களின் உச்சி வெப்பநிலையைக் கணக்கிட அகச்சிவப்பு அலைவரிசையிலும், பகல் நேரத்தில் மேகங்களின் வடிவத்தை மதிப்பிடக் கண்ணுக்குப் புலப்படும் அலைவரிசையிலும், வளிமண்டலத்தில் உள்ள ஈரப்பதத்தின் பரவலை மதிப்பிட நீராவி அலைவரிசையிலும் அவை இயங்குகின்றன.

4. தொலைத்தொடர்பு அமைப்புகள் மற்றும் தரவு ஒருங்கிணைப்பு

வானிலை தரவுகள் பல்வேறு மூலங்கள், வடிவங்கள் மற்றும் நேர இடைவெளிகளில் இருந்து வருகின்றன. எனவே, நம்பகமான தொலைத்தொடர்பு மற்றும் தரவு ஒருங்கிணைப்பு அமைப்புகள் தேவைப்படுகின்றன. மேலும் விரிவான பகுப்பாய்விற்காக வெவ்வேறு நாடுகளின் தரவுகளைத் தொகுக்கும் பொருட்டு, பல வானிலை சேவைகள் உலகளாவிய தரவுப் பரிமாற்ற வலைப்பின்னல்களுடன் (எ.கா., உலக வானிலை அமைப்பால் ஒருங்கிணைக்கப்பட்ட அமைப்பு) இணைக்கப்பட்டுள்ளன.

இந்த ஒருங்கிணைப்புச் செயல்முறையானது வடிவமைப்புத் தரப்படுத்தல், தரக் கட்டுப்பாடு மற்றும் நேர ஒத்திசைவு ஆகியவற்றை உள்ளடக்கியுள்ளது. இந்தப் படிகள் இல்லாமல், முன்கணிப்பு மாதிரிகள் தவறான அல்லது முரண்பாடான தரவைப் பெறக்கூடும், இது இறுதியில் கணிப்புத் துல்லியத்தைக் குறைத்துவிடும்.

5. தரவு ஒருங்கிணைப்பு: உற்றுநோக்கல்களை மாதிரிகளுடன் இணைத்தல்

மிக முக்கியமான, ஆனால் அதிகம் அறியப்படாத தொழில்நுட்பங்களில் ஒன்று தரவு ஒருங்கிணைப்பு ஆகும். இது, (சிதறிய மற்றும் எப்போதும் முழுமையாக இல்லாத) கண்காணிப்புத் தரவுகளை ஒரு வளிமண்டல மாதிரியின் ஆரம்ப நிலைமைகளுடன் இணைக்கும் ஒரு கணிதச் செயல்முறையாகும். ஒரு குறிப்பிட்ட நேரத்தில் நிலவும் உண்மையான நிலைமைகளை மிகவும் நெருக்கமாக ஒத்திருக்கும் வளிமண்டலத்தின் ஒரு 'பகுப்பாய்வை' உருவாக்குவதே இதன் நோக்கமாகும்.

3D-Var, 4D-Var, அல்லது என்செம்பிள் கல்மன் ஃபில்டர்கள் போன்ற நவீன தரவு ஒருங்கிணைப்பு நுட்பங்கள், ஒவ்வொரு தரவு மூலத்தின் நிச்சயமற்ற தன்மைகளையும் கணக்கில் எடுத்துக்கொள்வதன் மூலம், மாதிரிகள் அவற்றின் ஆரம்ப நிலைமைகளைச் செம்மைப்படுத்த அனுமதிக்கின்றன. எடுத்துக்காட்டாக, செயற்கைக்கோள்கள் பரந்த பரப்பளவிலான கண்காணிப்பில் சிறந்து விளங்கலாம், ஆனால் தரை நிலையங்கள் குறிப்பிட்ட இடங்களில் அதிகத் துல்லியமாக இருக்கும். தரவு ஒருங்கிணைப்பு இந்தக் காரணிகளைச் சமநிலைப்படுத்துவதால், மாதிரியானது சிறந்த நிலைமைகளுடன் உருவகப்படுத்துதலைத் தொடங்குகிறது.

6. எண்முறை வானிலை முன்னறிவிப்பு (NWP) மாதிரி

நவீன வானிலை முன்னறிவிப்பு, எண்முறை வானிலை முன்னறிவிப்பை (NWP) சார்ந்துள்ளது. இது, இயற்பியல் சமன்பாடுகளைப் பயன்படுத்தி வளிமண்டலத்தின் நடத்தையை உருவகப்படுத்தும் கணினி மாதிரிகள் ஆகும். இந்த மாதிரிகள், அழுத்தம், வெப்பநிலை, காற்று மற்றும் ஈரப்பதம் போன்ற வானிலை மாறிகளில் காலப்போக்கில் ஏற்படும் மாற்றங்களைக் கணக்கிடுகின்றன. வளிமண்டலம் மிகவும் சிக்கலான ஓர் அமைப்பு என்பதால், நுண்மேக உருவாக்கம் மற்றும் கொந்தளிப்பு போன்ற, நேரடியாக அளவிட முடியாத மிகச்சிறிய நிகழ்வுகளுக்கான கட்டத் தெளிவுத்திறன் (ஒரு பகுதியைச் சதுரங்களாகப் பிரித்தல்) மற்றும் அளவுருவாக்கம் ஆகியவை NWP-க்குத் தேவைப்படுகின்றன.

பெரிய அளவிலான முன்னறிவிப்புகளுக்கு (எ.கா., பருவமழை நகர்வுகள் அல்லது வெப்பமண்டலப் புயல்கள்) உலகளாவிய மாதிரிகள் பயன்படுத்தப்படுகின்றன, அதே நேரத்தில், ஒரு மாகாணம் அல்லது மாவட்டத்தில் கனமழைக்கான சாத்தியக்கூறுகள் போன்ற உள்ளூர் விவரங்களுக்கு உயர் தெளிவுத்திறன் கொண்ட பிராந்திய மாதிரிகள் பயன்படுத்தப்படுகின்றன. கணினி ஆற்றல் அதிகரிக்கும்போது, ​​மாதிரியின் தெளிவுத்திறன் மேலும் நுட்பமாகிறது மற்றும் முன்னறிவிப்புப் புதுப்பிப்புகள் அடிக்கடி நிகழ்கின்றன.

7. உயர் செயல்திறன் கணினி (HPC) மற்றும் சூப்பர்கம்ப்யூட்டர்கள்

NWP-ஐ இயக்குவதற்கு மிகப்பெரிய கணக்கீட்டு முயற்சி தேவைப்படுகிறது. மாதிரிகள், பல வளிமண்டல அடுக்குகளையும் முன்னறிவிப்புக் கால அளவுகளையும் உள்ளடக்கி, மில்லியன் முதல் பில்லியன் கணக்கான கட்டப் புள்ளிகளைக் கணக்கிட வேண்டும். எனவே, வானிலை ஆய்வு நிறுவனங்கள், ஆயிரக்கணக்கான முதல் பல்லாயிரக்கணக்கான செயலி மையங்களைக் கொண்ட உயர் செயல்திறன் கணினி (HPC) அல்லது சூப்பர் கணினிகளைப் பயன்படுத்துகின்றன.

முதன்மை மாதிரியை இயக்குவதோடு மட்டுமல்லாமல், பல சூழ்நிலைகளை ஒரே நேரத்தில் இயக்குவதற்கும் (தொகுப்பு), பெரிய செயற்கைக்கோள் தரவுகளைச் செயலாக்குவதற்கும், தீவிர வானிலை குறியீடுகள், மின்னல் சாத்தியம் அல்லது காற்றின் தர முன்னறிவிப்புகள் போன்ற வழித்தோன்றல் தயாரிப்புகளை உருவாக்குவதற்கும் HPC பயன்படுத்தப்படுகிறது.

8. குழும முன்னறிவிப்பு: நிச்சயமற்ற தன்மையை அளவிடுதல்

வானிலை நிலையற்றது: ஆரம்ப நிலைமைகளில் ஏற்படும் சிறிய மாற்றங்கள், பல நாட்கள் கழித்து வரும் முன்னறிவிப்பு முடிவுகளில் பெரிய வேறுபாடுகளை ஏற்படுத்தக்கூடும். இதைச் சமாளிக்க, குழும முன்னறிவிப்பு முறை பயன்படுத்தப்படுகிறது. இதில், ஆரம்ப நிலைமைகள் அல்லது மாதிரி உள்ளமைப்பில் சிறிய மாறுபாடுகளுடன் ஒரு மாதிரி பலமுறை இயக்கப்படுகிறது.

ஒருங்கிணைந்த முடிவுகள் ஒரே ஒரு பதிலை அளிக்காமல், சாத்தியக்கூறுகளின் ஒரு வரம்பை வழங்குகின்றன. இதிலிருந்து, வானிலை முன்னறிவிப்பாளர்கள் "மழைக்கான வாய்ப்பு > 50%" அல்லது "கனமழைக்கான அதிக அபாயம்" போன்ற நிகழ்தகவுகளைத் தெரிவிக்க முடியும். இது, குறிப்பாகப் பேரிடர் முன் எச்சரிக்கைக்கு, சிறந்த முடிவெடுப்பதை எளிதாக்குகிறது.

9. செயற்கை நுண்ணறிவு (AI) மற்றும் இயந்திர கற்றல்

சமீபத்திய ஆண்டுகளில், வானிலை அறிவியலில் செயற்கை நுண்ணறிவு மற்றும் இயந்திரக் கற்றல் ஆகியவை அதிகளவில் பயன்படுத்தப்பட்டு வருகின்றன. செயற்கை நுண்ணறிவைப் பின்வருவனவற்றிற்குப் பயன்படுத்தலாம்:
வரலாற்றுப் போக்குகளின் அடிப்படையில் எண்முறை மாதிரிச் சார்பைச் சரிசெய்தல்.
விடுபட்ட தரவுகளை நிரப்பவும் அல்லது தரவின் தரத்தை மேம்படுத்தவும்.
– ரேடார் மற்றும் செயற்கைக்கோள் தரவுகளைப் பயன்படுத்தி உடனடிக் கணிப்பை (0–6 மணிநேரம் வரையிலான மிகக் குறுகிய கால முன்னறிவிப்புகள்) மேற்கொள்வது.
– தீவிர வானிலை வடிவங்களை விரைவாக அடையாளம் காணுதல், எடுத்துக்காட்டாக, கனமழையை உருவாக்கும் சாத்தியமுள்ள புயல் மேகங்களைக் கண்டறிதல்.

இருப்பினும், வானிலை முன்னறிவிப்புக்கு வளிமண்டல இயற்பியலுடன் ஒத்திசைவு தேவைப்படுவதால், செயற்கை நுண்ணறிவு (AI) பொதுவாக இயற்கை வானிலை ஆய்வுக்கு (NWP) ஒரு முழுமையான மாற்றாக அல்லாமல், ஒரு துணைக்கருவியாகவே கருதப்படுகிறது. செயற்கை நுண்ணறிவு மற்றும் இயற்பியல் மாதிரிகளின் ஒருங்கிணைப்பு என்பது வேகமாக வளர்ந்து வரும் ஒரு ஆராய்ச்சித் துறையாகும்.

10. தகவல்களைக் காட்சிப்படுத்துதல் மற்றும் பரப்புதல்

இறுதியான, அதே அளவு முக்கியமான தொழில்நுட்பம் என்பது முன்னறிவிப்புகள் எவ்வாறு தெரிவிக்கப்படுகின்றன என்பதாகும். மாதிரி மற்றும் கண்காணிப்புத் தரவுகள், மழைப்பொழிவு வரைபடங்கள், புயல் பாதைகள், முன்கூட்டிய எச்சரிக்கைகள் மற்றும் செயலி அறிவிப்புகள் போன்ற எளிதில் புரிந்துகொள்ளக்கூடிய வடிவங்களில் வழங்கப்படும்போது மிகவும் பயனுள்ளதாக இருக்கும். புவியியல் தகவல் அமைப்புகள் (GIS), வெள்ள அபாயம் உள்ள பகுதிகள், நில அமைப்பு மற்றும் மக்கள்தொகைப் பரவல் குறித்த தரவுகளுடன் முன்னறிவிப்புகளை ஒருங்கிணைக்க உதவுகின்றன, இதன்மூலம் மேலும் இலக்கு சார்ந்த எச்சரிக்கைகளை வழங்க முடிகிறது.

மேலும், தகவல்களைப் பரப்பும் வழிகள் தற்போது மிகவும் பன்முகத்தன்மை கொண்டவையாக உள்ளன: இணையதளங்கள், மொபைல் செயலிகள், சமூக ஊடகங்கள், குறுஞ்செய்தி எச்சரிக்கைகள், மேலும் விமானப் போக்குவரத்து, கப்பல் போக்குவரத்து மற்றும் பேரிடர் துறைகளுக்கான பிரத்யேக டாஷ்போர்டுகள் கூட இதில் அடங்கும்.

மூடுகிறது

நவீன வானிலை முன்னறிவிப்பு என்பது பல்வேறு தொழில்நுட்பங்களின் கூட்டு முயற்சியின் விளைவாகும்: தரை மற்றும் வளிமண்டல கண்காணிப்புக் கருவிகள், நிகழ்நேரக் கண்காணிப்பிற்கான ரேடார் மற்றும் செயற்கைக்கோள்கள், தரவுப் பரிமாற்றத்திற்கான தகவல் தொடர்பு வலைப்பின்னல்கள், கண்காணிப்புகளையும் மாதிரிகளையும் ஒருங்கிணைப்பதற்கான தரவு ஒருங்கிணைப்பு நுட்பங்கள், மீக்கணினிகள் தேவைப்படும் வானிலை முன்னறிவிப்பு மாதிரிகள் (NWPs), நிச்சயமற்ற தன்மையை அளவிடுவதற்கான குழுமங்கள், மற்றும் பகுப்பாய்வின் துல்லியத்தையும் வேகத்தையும் அதிகரிப்பதற்கான செயற்கை நுண்ணறிவு ஆகியவை இதில் அடங்கும். தொழில்நுட்ப முன்னேற்றங்களால், வானிலை முன்னறிவிப்பு தொடர்ந்து மேம்பட்டு வருகிறது, ஆனால் வளிமண்டலத்தின் சிக்கலான இயக்கவியல் காரணமாக அதற்கு இன்னும் சில வரம்புகள் உள்ளன. இருப்பினும், அதன் பின்னணியில் உள்ள தொழில்நுட்பத்தைப் புரிந்துகொள்வது, நாம் ஒவ்வொரு நாளும் காணும் வானிலை தகவல்களை உருவாக்கப் பயன்படும் பல அறிவியல் மற்றும் கணக்கீட்டு செயல்முறைகளைப் பாராட்ட நமக்கு உதவுகிறது.