İdealize edilmiş ve operasyonel modelleri bağlamak: Dünya sistemi emülatörleri için açıklanabilir bir AI çerçevesi

Neden daha iyi iklim modelleri önemli

Mevsimsel tahminler ve uzun vadeli iklim projeksiyonları, gıda güvenliği, su yönetimi ve afet hazırlığına ilişkin kararları şekillendirir. Buna rağmen bugün en gelişmiş bilgisayar modelleri bile El Niño gibi, dünya çapında kuraklık ve sel arasında dalgalanabilen önemli örüntüleri yanlış değerlendirebilir. Bu makale, bu karmaşık modelleri daha akıllı ve daha güvenilir hale getirmenin yeni bir yolunu tanıtıyor: açıklanabilir bir yapay zeka biçimi aracılığıyla daha basit, özenle ayarlanmış modellerden “öğrenmelerine” izin vermek.

İki tür iklim modeli, iki tür güçlü yön

Modern operasyonel iklim modelleri, küresel ızgaralar üzerinde atmosferi, okyanusu, karayı ve buzu ayrıntılı şekilde simüle ederek tüm Dünya sistemini izler. Bunlar güçlü ancak kusursuz değildir: aşırı olayları ve El Niño ile La Niña gibi yinelenen örüntülerin istatistiklerini temsil etmede önyargılı olma eğilimindedirler. Diğer uçta idealize modeller bulunur. Bunlar, genellikle yalnızca bir bölgeye veya okyanus boyunca tek bir hatta odaklanan, sadeleştirilmiş denklemlerdir. Basit ve hızlı oldukları için bilim insanları bunları belirli davranışları ve istatistikleri son derece iyi yeniden üretecek şekilde dikkatle ayarlayabilir. Ne var ki bu iki model dünyası nadiren buluşur: ayrıntılı modeller, basit modellerden elde edilen içgörülerle elle ayarlamak için çok karmaşıktır ve basit modeller pratik tahminler için gereken zengin alanlardan yoksundur.

Açıklanabilir AI ile kurulan bir köprü

Yazarlar, siyah kutu bir düzeltme yerine açıklanabilir yapay zekâ kullanan her iki yaklaşımın güçlü yönlerini birleştiren bir “köprü modeli” öneriyor. Önce, bir karmaşık iklim modelinin büyük çıktısını, çok daha küçük bir sayı kümesinden tam alanları yeniden inşa etmeyi öğrenen bir sinir ağı olan bir otoenkoder kullanarak kompakt bir “latent” temsile sıkıştırırlar. Ardından bu kompakt durumu, gözlemlerle iyi uyuştuğu bilinen idealize bir modelin ürettiği deniz yüzeyi sıcaklığı ve ekvator boyunca termoklin derinliği gibi birkaç anahtar değişkenle zenginleştirirler. İkinci bir sinir ağı, sıkıştırılmış durumun zaman içinde nasıl evrildiğini öğrenirken, bir veri‑asimilasyon adımı bu evrilen durumu idealize modelden gelen örüntülere doğru tekrar tekrar yönlendirir. Bu düzeltme iyi anlaşılan istatistiksel formüller aracılığıyla yapıldığı için, basit modelin tüm sistem üzerindeki etkisi nicelenebilir ve izlenebilir, böylece süreç açıklanabilir hale gelir.

El Niño’nun biçimini, gücünü ve ritmini düzeltmek

Çerçevelerini test etmek için araştırmacılar, sıcak (El Niño) ve soğuk (La Niña) fazlarının küresel hava koşullarını güçlü şekilde etkilediği ekvatoral Pasifik’teki El Niño–Güney Salınımı’na odaklanıyor. CMIP6 benzetimler projelerinde kullanılanlar da dahil olmak üzere birçok ileri düzey model, El Niño olaylarının çeşitliliğini yeniden üretmekte zorlanıyor: bazıları doğu Pasifik’te, bazıları merkezi Pasifik’te doruğa çıkar ve yoğunluk ile zamanlama döngüden döngüye değişir. Bu çeşitliliğin istatistiklerini doğru yakalayan idealize modelleri kullanarak köprü modeli, lider bir operasyonel modelin (CESM2) önyargılarını önemli ölçüde düzeltir. Yüzey ve yüzey altı sıcaklıkları ile rüzgârların uzamsal desenlerini iyileştirir, El Niño indekslerinin gözlemlenen olasılık dağılımlarına ve mevsimsel ritimlerine uyum sağlar ve aşırı ile çok yıllı olaylar da dahil olmak üzere gerçekçi olay dizilerini yeniden üretir.

“Ya şöyle olsaydı” dünyalarını hızlı ve açık biçimde keşfetmek

Köprü, tam modelin sıkıştırılmış bir sürümü üzerinde çalıştığı için, orijinal iklim sistemine kıyasla simüle edilmesi çok daha ucuzdur: çok dekadlı bir koşu, tam küresel model için gereken muazzam kaynaklar yerine standart bir bilgisayarda dakikalar alır. Bu verimlilik bilim insanlarının nadir aşırılıkları çalışmak ve “ya şöyle olsaydı” senaryolarını keşfetmek için büyük topluluklar üretmesine olanak tanır. Örneğin, idealize modelde Pasifik ticaret rüzgârlarının gücünü temsil eden yavaş değişen bir parametreyi değiştirerek, yazarlar kalıcı olarak zayıflamış veya güçlenmiş atmosfer dolaşımı senaryolarını inceler. Köprü modeli, El Niño olaylarının nerede ve ne kadar güçlü gerçekleştiğini önceki çalışmalara uygun şekilde kaydırır, ancak hesaplama maliyetinin yalnızca bir kesirinde. Düzeltmeler şeffaf bir veri‑asimilasyon adımıyla geldiği için, araştırmacılar sistemin hangi parçalarının yönlendirildiğini ve ne kadar güçlü yönlendirildiğini görebilirler.

Yeni bir tür iklim ikizi

Günlük ifadeyle, bu çerçeve büyük, ayrıntılı bir iklim modelinin gizemli bir kara kutuya dönüşmeden basit, iyi anlaşılmış bir modelin “bilgeliğini ödünç almasına” izin verir. Ortaya çıkan hibrit, gerçek iklim sisteminin bir dijital ikizi gibi davranır: etki çalışmalarında gerekli zengin, yüksek çözünürlüklü alanları korurken ana desenlerini ve istatistiklerini gözlemlerle ve dikkatle ayarlanmış teoriyle hizalar. Yazarlar bu yaklaşımın diğer bölgelere, birden çok modele ve hatta basit ve ayrıntılı modellerin bir arada bulunduğu her türlü karmaşık sisteme genişletilebileceğini savunur. Düzeltmeleri yorumlanabilir kılarak, çalışmaları idealize modelleri geliştirenlerle operasyonel modelleri sürdüren topluluklar arasında daha yakın iş birliğini teşvik eder ve toplum için önemli olan iklim aşırılıklarının daha güvenilir tahminlerine zemin hazırlar.

Atıf: Behnoudfar, P., Moser, C., Bocquet, M. et al. Bridging idealized and operational models: an explainable AI framework for Earth system emulators. npj Clim Atmos Sci 9, 65 (2026). https://doi.org/10.1038/s41612-026-01334-7

Anahtar kelimeler: El Niño, iklim modellemesi, açıklanabilir AI, veri assimilasyonu, dijital ikizler