Toplayıcı İkiz LSTM ağları kullanarak küresel sıcaklık anomalisi tahmini

Daha Sıcak Bir Dünyanın Sizin İçin Neden Önemli Olduğu

Küresel ısınma soyut gelebilir, fakat etkileri hiç de öyle değildir: yükselen denizler, daha sert sıcak hava dalgaları, değişen fırtınalar ve gıda ile su arzı üzerinde artan baskı. Gelmekte olana hazırlanmak için bilim insanlarının yalnızca bugünün ikliminin anlık görüntülerine değil, önümüzdeki on yıllarda sıcaklıkların ne kadar hızlı yükseleceğine dair güvenilir tahminlere ihtiyacı var. Bu makale, gezegenin muhtemelen ne kadar ısınacağını öngörmek ve bunun yakın geleceğimiz için ne anlama geldiğini değerlendirmek üzere yapay zekânın yeni bir kullanımını inceliyor.

Ham Termometrelerden Büyük Resim Eğilimlerine

Araştırmacılar, tek bir şehirden gelen hava raporlarıyla çalışmak yerine Berkeley Earth sıcaklık anomalisi veri seti olarak bilinen küresel kayıtı kullanıyor. "Sıcaklık anomalisı", basitçe, belirli bir dönemin seçilmiş tarihsel bir bazal değere göre ne kadar daha sıcak veya soğuk olduğunu gösterir. Aydan aya ölçümler gürültülü ve yerel özelliklerden güçlü biçimde etkilenebildiğinden, ekip 1800'lerin ortalarından 2022'ye uzanan 170 yıllık dönemi kapsayan beş yıllık ortalamalara dayanıyor. Veriyi bu şekilde düzleştirmek rastgele dalgalanmaları azaltır ve sera gazları ile diğer etkenlerin gezegenin uzun vadeli tepkisini yansıtan altta yatan ısınma eğilimini daha iyi ortaya koyar.

İklimi Hatırlamayı Öğrenen Bir Sinir Ağı Eğitmek

Bu eğilimi yakalayıp öne projekte etmek için yazarlar Uzun Kısa Süreli Bellek (LSTM) adı verilen bir tür yapay sinir ağına yöneliyor. LSTM’ler, bir cümledeki sözcükler veya zaman içindeki sıcaklıklar gibi dizileri işlemek üzere tasarlanmıştır; geçmiş bilgilerin hangi parçalarının saklanacağına ve hangilerinin unutulacağına karar verirler. Geleneksel LSTM ve ilgili modeller kısa vadeli tahminde—örneğin bir sonraki veriyi tahmin etmede—başarılı oldu. Ancak kendi tahminleri sonraki girdiler olarak kullanıldığında ve çok adımlı geleceğe bakıldığında küçük hatalar birikip uzun vadeli görünüm gerçeğinden hızla sapabilir.

İklim Sinyallerini İkiz Akımlara Bölmek

Bu çalışmanın temel yeniliği Additive Twin LSTM (AT‑LSTM) adlı yaklaşımdır. Tüm iklim kaydının her kıvrımını ve dönemeçini taklit etmeye çalışan tek bir LSTM yerine model iki paralel LSTM dalı kullanır. Her dal, verideki farklı gizli sürücülere odaklanmakta serbesttir—örneğin sera gazlarından kaynaklanan yavaş ısınma ile doğal iklim salınımlarına bağlı daha hızlı iniş‑çıkışlar gibi. Bu ikiz dalların çıktıları toplanır ve birlikteki sinyali bir sıcaklık anomalisı tahminine dönüştüren son bir “çözücü” ağdan geçirilir. Bu ikiz tasarım, iklim bilimcilerin Dünya sistemindeki kısmen bağımsız çoklu süreçler hakkındaki bakış açısıyla yalnızca örtüşmekle kalmaz, aynı zamanda ağın iç sinyallerinin kullanım aralığını genişleterek uzun vadeli tahmin ufuklarında daha kararlı kalmasına yardımcı olur.

Modeli Sınamaya Sokmak

AT‑LSTM’nin gerçekten uzun vadeli tahmini iyileştirip iyileştirmediğini görmek için yazarlar iki aşamalı bir test gerçekleştirir. Önce modeli hem sentetik kıyas serileri—farklı ısınma yollarını taklit eden temiz, bilgisayar üretimi eğriler—hem de tarihsel Berkeley verisi üzerinde eğitirler. Çeşitli sinir ağı tasarımlarının hem eğitim verilerini hem de modellerin eğitim sırasında hiç görmediği ayrı bir "test" bölümünü ne kadar iyi yeniden üretebildiklerini karşılaştırırlar. Birçok model, LSTM’leri evrişimsel katmanlarla birleştiren bazı melezler dahil, bu standart ölçütlerle etkileyici görünür. Ancak geçmiş veriyi yeniden üretmek geleceğe güvenilir şekilde bakmakla aynı şey değildir.

Modelleri Sadece Uymaya Değil, Tahmin Yapmaya Göre Değerlendirmek

İkinci aşama gerçek dünya kullanımına daha yakındır. Test setindeki son gözlemlenen noktadan başlayarak, her model kendi önceki tahminini bir sonraki girdi olarak kullanır ve gerçek verilerle asla düzeltilmeden 240 ay—20 yıl—ileri adımlar. Bu düzenek hataların ne kadar hızlı biriktiğini ortaya koyar. Bir dizi mimari arasında AT‑LSTM uzun vadeli görevde tipik olarak en küçük ortalama tahmin hatalarını ve en yüksek istatistiksel skorları gösterir. Özellikle küresel sıcaklık anomalisi kaydı için modelin simüle edilmiş 20 yıllık tahmin penceresindeki tipik hatası yaklaşık 0,07 derece Celsius olup, birçok rekabetçi derin öğrenme yaklaşımına göre belirgin biçimde daha düşüktür.

Tahmin Yakın Geleceğimiz Hakkında Ne Diyor

Bu daha iyi davranan modelle donanmış olarak yazarlar 2022’den 2042’ye kadar küresel sıcaklık anomalileri için 20 yıllık projeksiyonlar üretir. Modelin öğrenme sürecindeki belirsizliği yakalamak için 40 AT‑LSTM versiyonu eğiterek her birinin sürekli ısınmaya işaret ettiğini bulurlar. 2042’ye kadar tahmin topluluğu tarihi bazale göre yaklaşık 1,05 °C ile 1,67 °C arasında kümelenir; ortalama 1,415 °C ve yaklaşık ±0,073 °C tahmini belirsizlik ile. Bu rakamlar ana akım iklim modellerinin projeksiyonları ve Hükümetlerarası İklim Değişikliği Paneli gibi kuruluşların uyarılarıyla yakından örtüşür. Açıkça söylemek gerekirse, mevcut eğilimler devam ederse, önümüzdeki birkaç on yıl içinde geniş biçimde tartışılan 1,5 °C eşiğine yaklaşmamız veya onu aşmamız muhtemeldir; bu da sera gazı emisyonlarını azaltma ve diğer iklim‑azaltım stratejilerini izleme aciliyetini vurgular.

Atıf: Keles, C., Baran, B. & Alagoz, B.B. Global temperature anomaly prediction by using additive twin LSTM networks. Sci Rep 16, 6456 (2026). https://doi.org/10.1038/s41598-026-37255-x

Anahtar kelimeler: iklim değişikliği, küresel ısınma, sıcaklık anomalisı, sinir ağları, iklim tahmini