Makine öğrenimi, gelecekteki ısınma belirsizliğini büyük ölçüde azaltmaya yardımcı oluyor

Geleceğimiz için bunun önemi

Bilim insanları gezegenin ne kadar ısınacağını tahmin ederken, olası geleceklerin aralığı hâlâ geniş; bu belirsizlik kıyı planlamasından enerji politikasına kadar her şeyi etkiliyor. Bu çalışma, güçlü bilgisayar öğrenme tekniklerinin şimdiye kadar gözlemlediğimiz ısınmadan çok daha fazla bilgi çıkarabileceğini ve muhtemel gelecekteki sıcaklık aralığını keskin biçimde daraltabileceğini gösteriyor. Bu da 1,5 °C ve 2 °C gibi uluslararası iklim hedeflerini ne kadar hızlı aşabileceğimiz konusunda daha net rehberlik sağlıyor.

Küresel ortalamanın ötesine bakmak

Bugüne dek gelecekteki ısınma projeksiyonlarını iyileştirme çabalarının çoğu tek bir sayıya dayandı: gezegenin ortalama yüzey sıcaklığındaki artış. Ancak küresel ısınma tekdüze değil. Arktik ve tropiklerin bazı bölümleri gibi bazı bölgeler diğerlerinden çok daha hızlı ısınıyor. Yazarlar, bu coğrafi farkların yalnızca küresel ortalamaya odaklandığımızda büyük ölçüde göz ardı edilen değerli ipuçları içerdiğini savunuyor. Geçmiş 50 yılın sıcaklık eğilimlerinin tüm küresel haritasını okumak ve bu desenleri onlarca iklim modelinin ürettiği ısınma sonuçlarıyla ilişkilendirmek için bir tür makine öğrenimi kullanıyorlar.

Bir bilgisayara geçmiş ısınmadan öğrenmeyi öğretmek

Araştırma ekibi, büyük bir uluslararası karşılaştırma projesine katılan birçok iklim modelinin simülasyonları üzerinde bir öğrenme algoritması eğitiyor. Her model koşusu için 1971–2020 dönemindeki ısınma desenini Dünya üzerindeki her ızgara noktasında besleyip algoritmadan birkaç farklı emisyon yolu altında gelecekte küresel olarak ne kadar ısınacağını üç zaman dilimi için tahmin etmesini istiyorlar: yakın dönem (2021–2040), yüzyıl ortası (2041–2060) ve yüzyıl sonu (2081–2100). Yüzlerce simülasyonda bunu tekrarlayarak sistem, dünyanın geçmiş ısınma desenlerinin hangi parçalarının nihai küresel sıcaklık artışıyla en yakından ilişkili olduğunu ve bu bağlantıların ne kadar güçlü olduğunu öğreniyor.

Geleceği şekillendiren kilit bölgeleri bulmak

Öğrenme sistemi, belirli bölgelerin gelecekteki küresel ısınmanın belirlenmesinde ağırlıklarına göre çok daha fazla etkisi olduğunu sürekli olarak keşfediyor. Bunlar arasında Arktik, Tibet Platosu, Güney ve Güneydoğu Asya, Amazon havzası ve Hint ve Güney Okyanuslarının bazı kısımları bulunuyor. Bu alanlarda yerel ısınma, zaman ve senaryolar boyunca küresel ortalamayla istikrarlı bir şekilde ölçeklenme eğilimindedir; bu da yansıtan buz kaybı veya bulutlardaki değişimler gibi güçlü ve kalıcı iklim geri beslemelerini yansıtıyor. Algoritma doğal olarak farklı iklim modellerinin sıcaklıklara ne kadar duyarlı oldukları konusunda hemfikir olduğu ızgara hücrelerine daha fazla ağırlık veriyor ve modellerin farklılaştığı —örneğin deniz buzu davranışının belirsiz olduğu Avrasya Arktik’inin bazı bölümleri gibi— yerleri geri planda tutuyor.

Daha keskin projeksiyonlar ve daha erken eşikler

Öğrenilen ilişkiler, birden çok sıcaklık veri setinden alınan gerçek gözlemlenmiş ısınma haritalarına uygulandığında, gelecekteki küresel ısınmadaki belirsizlik önemli ölçüde küçülüyor. Senaryolar ve zaman dilimleri ortalaması alındığında, yöntem, kısıtlanmamış model projeksiyonlarına kıyasla hata varyansını %70’ten fazla azaltıyor —sadece küresel ortalama eğilimi kullanan yöntemlerin sağladığı iyileştirmenin yaklaşık bir buçuk katı kadar. Önemli olarak, bu yaklaşım aralığın hem yüksek hem de düşük uçlarını daraltıyor, böylece gelecekteki ısınmayı abartma veya hafife alma olasılığımız azalıyor. Etki çalışmalarında sık kullanılan orta-yüksek bir emisyon yolunda, mekânsal bilgi dahil edildiğinde yüzyıl ortasına kadar 2 °C’yi aşma olasılığı yaklaşık %80’e çıkarken, yalnızca küresel ortalama eğilim kullanıldığında bu oran yaklaşık %70 oluyor.

İnsanlar ve planlama için bunun anlamı

İyileştirilmiş projeksiyonlar yalnızca küresel sıcaklık artışının tahminlerini sıkılaştırmakla kalmıyor; aynı zamanda etki değerlendirmeleri için kullanılan yerel ısınma haritalarını da iyileştiriyor. Çoğu kara alanında, yüzyıl ortası projeksiyonlarındaki bugünle karşılaştırmalı ısınma yayılımı onlarca yüzde puanı azalıyor ve bu da tarım, su kaynakları, sağlık riskleri ve altyapı planlaması için daha kesin tahminler sağlıyor. Aynı zamanda ısınmanın yükselmiş alt sınırları, Paris Anlaşması’nın kilit eşiklerinin bazı önceki kısıtlanmış tahminlerin öne sürdüğünden daha erken aşılma olasılığını vurguluyor. Pratik açıdan, bu çalışma mevcut sıcaklık kayıtlarının—özellikle iklim açısından hassas birkaç bölgede—daha akıllıca kullanılmasının iklim geleceğimizin resmini önemli ölçüde netleştirebileceğini ve daha hızlı, hedefe yönelik azaltım ile uyum çabalarını güçlendirebileceğini gösteriyor.

Atıf: Li, C., Wu, J., Wang, Z. et al. Machine learning helps to strongly reduce future warming uncertainty. Nat Commun 17, 3366 (2026). https://doi.org/10.1038/s41467-026-70205-9

Anahtar kelimeler: küresel ısınma projeksiyonları, makine öğrenimi iklim, ısınma desenleri, iklim belirsizliği, Paris Anlaşması eşikleri