Avrasya yüzey hava sıcaklığının on yıllık tahminini geliştirmek için derin öğrenme modeli

Geleceğe bir on yıl bakmanın önemi

Avrasya genelindeki insanlar ve hükümetler için önümüzdeki 5–10 yılda sıcaklıkların nasıl değişebileceğini bilmek, enerji planlamasından ekim tercihleri ve altyapı tasarımına kadar pek çok kararı etkileyebilir. Ancak bugün en iyi iklim modelleri bile bu kadar geniş ve çeşitli bir bölgedeki orta vadeli yüzey hava sıcaklığı dalgalanmalarını öngörmekte zorlanıyor. Bu çalışma, mevcut iklim modeli tahminlerini keskinleştirip birleştirmek için derin öğrenmeden yararlanarak bu öngörüleri geliştiren yeni bir yaklaşım sunuyor ve Avrasya ikliminin geleceğine daha net bir bakış sağlıyor.

On yıllık sıcaklık değişimlerinin zorluğu

Avrasya, Orta Asya çöllerinden Arktik kıyısına kadar uzanır ve dünya nüfusunun yarısından fazlası burada yaşar. Son on yıllarda bölge sadece düzgün bir şekilde ısınmadı; bunun yerine 1990’lardan 2000’lere kadar birçok kuzey bölgesinde görülen şaşırtıcı soğuma dahil olmak üzere karmaşık on yıllık değişimler yaşandı. Bu iniş çıkışlar Atlantik ve Pasifik’teki yavaş hareket eden okyanus desenleri ile Arktik deniz buzu değişiklikleri tarafından şekillendiriliyor. Standart iklim tahmin sistemleri bazı deniz yüzeyi sıcaklığı desenlerini birkaç yıl önceden tahmin edebiliyor, fakat özellikle güvenilir rehberliğe en çok ihtiyaç olan orta ve yüksek enlemlerde Avrasya’nın çok yıllık sıcaklık değişimlerini yakalamakta hâlâ yetersiz kalıyorlar.

Avrasya’yı iklim mahallelerine bölmek

Bu karmaşıklığı anlamlandırmak için yazarlar önce Avrasya’yı zamansal kümeleme adı verilen bir teknikle 20 "iklim mahallesine" ayırıyor. Sınırları yalnızca coğrafyaya göre çizmek yerine 1968–2001 arasındaki on yıllık ölçekli sıcaklık davranışını paylaşan grid hücrelerini gruplayarak bölgelere ayırıyorlar. Uzun vadeli ısınma çıkarıldığında güney bölgeler nispeten küçük dalgalanmalar gösterirken, kuzey ve yüksek dağlık alanlar çok daha büyük ve daha karmaşık oynaklıklar sergiliyor. Her mahalleyi ayrı ele almak gürültüyü azaltmaya yardımcı oluyor ve sorunu tek bir devasa ve tutarsız alan yerine ayrı bölgesel yavaş sıcaklık değişim desenlerini tahmin etmeye odaklandırıyor.

İklim modelleri için bir derin öğrenme asistanı

Çalışmanın merkezinde zamansal veriye uygun bir tür yinelemeli sinir ağına dayanan yedi katmanlı bir derin öğrenme modeli olan GRUBA bulunuyor. GRUBA fiziksel iklim modellerinin yerini almıyor; bunun yerine onların çıktılarının son işlemden geçirilmesini öğreniyor. Her mahalle için 6–10 yıl ileriye bakabilen 80 farklı model çalışmasının tahminlerini alıyor. Veriler katmanlardan geçerken GRUBA çok sayıda ensemble üyesinden gelen bilgiyi sıkıştırıyor, stabilize ediyor ve ardından nihai sonucu tahmin etmekte en çok önem taşıyan zaman dilimlerine odaklanan bir "attention" (dikkat) adımı uyguluyor. Son katman, tahmin edilen genlikleri gözlemlenen değerlere daha iyi uyacak şekilde ince şekilde ayarlıyor.

Daha keskin tahminler ve neden iyileştikleri

2004–2021 döneminde—modelin eğitim sırasında görmediği yıllarda—test edildiğinde GRUBA on yıllık tahminleri dramatik biçimde iyileştiriyor. İklim modellerinin basit ortalaması çoğu kuzey bölgesinde zayıf ya da yanıltıcı bir yetenek veriyor. GRUBA’nın düzeltmesinden sonra, 20 mahalle genelinde tahmin edilen ve gözlemlenen on yıllık dalgalanmalar arasındaki ortalama korelasyon neredeyse sıfırdan güçlü pozitif değerlere sıçrıyor ve genlik doğruluğu ölçümleri de negatiften açıkça pozitif değerlere iyileşiyor. Sistem hem 2000’lerin başındaki soğumayı hem de yüksek enlemlerdeki yeniden hızlanan ısınmayı yakalıyor; ham modellerin büyük ölçüde kaçırdığı bu olayları belirliyor. GRUBA’yı SHAP adı verilen bir teknikle analiz ederek yazarlar, modelin tarihsel olarak gerçeği daha iyi izleyen bireysel model çalışmalarına özellikle zorlu kuzey bölgeleri için daha yüksek ağırlık vermeyi ve daha güvenilmez olanları daha az dikkate almayı etkili biçimde öğrendiğini gösteriyor.

Gelecek yıllara kısa bir bakış

Bu geliştirilmiş araçla donanmış araştırmacılar 2022–2025 için gerçek zamanlı tahminler üretiyor. GRUBA yüksek enlemlerde güçlü ısınmanın devam edeceğini, bazı orta enlem alanlarda göreli soğuma ceplerinin eşlik edeceğini öne sürüyor — bu desen ham çok-modelli ortalamayla çelişiyor. 2022 için bu rafine tahmin gözlemlenen koşullarla çok daha yakın bir uyum sağlasa da, Tibet Platosu üzerindeki ısınmayı hâlâ hafife alıyor ve bazı daha soğuk bölgeleri abartıyor. Yazarlar ayrıca GRUBA’nın avantajının öğrenilecek çok sayıda ensemble üyesinin olmasına bağlı olduğunu ve mimarisinin özellikle zorlu bir yüksek enlem bölgesinde birkaç alternatif makine öğrenimi tasarımından daha iyi performans gösterdiğini ortaya koyuyor.

İklim planlaması için bunun anlamı

Günlük dilde, bu çalışma yapay zekânın mevcut iklim tahminlerinden çok daha fazla kullanılabilir bilgi çıkarabileceğini gösteriyor. Birçok bireysel simülasyonun geçmiş başarı ve başarısızlıklarından öğrenerek GRUBA, dağınık bir on yıllık tahmin demetini Avrasya genelinde muhtemel sıcaklık dalgalanmalarının çok daha net bir tablosuna dönüştürüyor. Yöntem hâlâ daha geniş test ve iyileştirme gerektirse de, karar vericilere önümüzdeki on yılda bölgesel iklimlerin nasıl evrileceğine dair daha güvenilir rehberlik sağlama yolunda pratik bir yol gösteriyor ve kısa vadeli hava tahminleri ile uzun vadeli iklim projeksiyonları arasındaki boşluğu kapatıyor.

Atıf: Chen, Y., Huang, Y., Qian, D. et al. Deep learning model for enhancing decadal prediction of Eurasian surface air temperature. npj Clim Atmos Sci 9, 77 (2026). https://doi.org/10.1038/s41612-026-01337-4

Anahtar kelimeler: on yıllık iklim tahmini, Avrasya sıcaklığı, derin öğrenme, iklim toplulukları, yüzey hava sıcaklığı