Fiziğe yönlendirilmiş derin echo state ağları ile ENSO tahmin edilebilirlik sınırlarının geliştirilmesi

Neden Daha İyi El Niño Tahminleri Önemli

El Niño, tropikal Pasifik Okyanusu’nun periyodik ısınmasıdır; yağış düzenlerini değiştirebilir, selleri ve kuraklıkları tetikleyebilir, balıkçılığı bozabilir ve küresel ekonomileri sarsabilir. Günümüzün en iyi iklim modelleri El Niño’yu genellikle yaklaşık bir yıl öncesinden görebiliyor, ancak çiftçiler, şehir planlamacıları ve afet yöneticileri çok daha erken güvenilir uyarılardan fayda sağlayacaktır. Bu çalışma, bilinen iklim fiziğiyle dikkatle yönlendirilmiş yeni bir yapay zekâ yaklaşımının, El Niño olaylarını ne kadar önden güvenle tahmin edebileceğimiz konusunda pratik sınırı ileriye taşıyıp taşıyamayacağını araştırıyor.

Makinelere Okyanusu Öğretmenin Yeni Bir Yolu

Yazarlar, karmaşık zamanla evrilen desenlerle başa çıkmak üzere tasarlanmış hafif bir tekrarlı sinir ağı biçimi olan Derin Echo State Ağı (Deep Echo State Network) adlı bir teknik üzerine kurulu bir tahmin sistemi geliştiriyorlar. Bu ağa ham sıcaklık ve rüzgâr haritaları vermek yerine, iklimi önce Pasifik, Hint ve Atlantik okyanuslarının kilit bölgelerindeki koşulları izleyen anlamlı birkaç göstergeye—basit sayılara—indirgiyorlar. Bu seçim, tropikal Pasifik’i daha geniş, birbirine bağlı bir okyanus sistemi olarak gören "genişletilmiş şarj osilatörü" (extended recharge oscillator) görüşünden esinlenmiştir. Ağa bu fiziksel olarak yorumlanabilir bileşenleri ve mevsim bilgilerini vererek, araştırmacılar şeffaf olmayan istatistiksel kestirme yollar yerine gerçekçi iklim davranışını öğrenmesini teşvik ediyorlar.

Geleceğe Daha Uzağı Görmek

1958–1999 arasındaki okyanus yenidenanaliz verilerini eğitim için, 2002–2023 arasını ise test için kullanarak ekip, fizik tarafından yönlendirilen ağlarının El Niño ve La Niña gücünün standart ölçütü olan Niño 3.4 indeksini ne kadar iyi öngördüğünü değerlendiriyor. Bunu aynı yöntemin daha basit versiyonları, geleneksel bir kavramsal model, operasyonel iklim tahminleri ve büyük üç boyutlu veri setlerini işleyen gelişmiş bir derin öğrenme sistemiyle karşılaştırıyorlar. Birkaç aylık kısa öngörü sürelerinde tüm yaklaşımlar benzer performans gösteriyor. Ancak yaklaşık 10 aydan öteye gidildiğinde, yeni derin echo state ağı daha uzun süre yararlı yetenek koruyor ve yaygın olarak kullanılan bir eşik değerinin üzerindeki korelasyonları yaklaşık 16–20 aya kadar sürdürüyor. Dikkat çekici biçimde, bu performansa standart bir masaüstü bilgisayarda saniyeler içinde eğitilerek ulaşıyor.

Uzak Okyanusların ve Gizli Isının Yetenek Katkısı

Ham skorların ötesine geçip yöntemin neden işe yaradığını sorgulamak için yazarlar, bilgiyi seçici olarak ekleyip çıkardıkları birçok kontrollü deney yapıyorlar. Tropikal Pasifik yüzeyinin altındaki bir sıcak su katmanının—sıcak su hacmi olarak bilinen—sisteme uzun ömürlü bir bellek gibi davrandığını, önceki rüzgâr ve okyanus değişimlerinin izini sakladığını buluyorlar. Bu gizli rezervuar çıkarıldığında, uzun vadeli tahmin yeteneği çöker. Ancak yalnızca sıcak su hacmi yeterli değil. En büyük kazançlar, bunun Kuzey Pasifik ve Hint ile Atlantik Okyanusları gibi uzak bölgelerdeki iklim değişimleriyle doğrusal olmayan etkileşimlere izin verildiğinde ortaya çıkıyor. Bu havzalararası etkiler, alt yüzey belleğine katıldığında, ağın El Niño’nun bir yıldan fazla öncesini nasıl evrileceğini daha iyi tahmin etmesine yardımcı oluyor.

Doğrusallık ve Mevsimlerin Rolünü Çözümlemek

Araştırmacılar ayrıca güçlü doğrusal olmayan davranışların ve yıllık döngünün öngörülebilirliği nasıl şekillendirdiğini inceliyorlar. Ağ mimarileri karmaşık, duruma bağlı ilişkileri doğal olarak temsil edebildiği için, yalnızca birkaç belirlenmiş doğrusal olmayan terim içeren daha katı bir fizik tabanlı modeli tutarlı şekilde geride bırakıyor. Ağın avantajları, tarihsel olarak El Niño tahminlerinin zorlandığı sözde bahar öngörülebilirlik bariyeri çevresinde özellikle belirgin. Bazı bölgelerin başlangıç durumunun yapay olarak ortalama koşullara sıfırlandığı ek deneyler, uzak okyanusların dahil edilmesinin yararlarının mevsime ve Pasifik’in kendisinin evrimleşen durumuna bağlı olduğunu gösteriyor—bu da basit doğrusal neden-sonuçtan ziyade doğrusal olmayan, duruma bağımlı etkileşimlerin bir işareti.

Tahmin Ufkunun Gerçekten Nerede Bittiği

Son olarak yazarlar, El Niño tahmin yeteneği üzerindeki yaygın 15–20 aylık tavanın model eksikliklerinden mi yoksa doğanın koyduğu daha derin bir sınırdan mı kaynaklandığını sorguluyorlar. Farklı modeller içinde başlangıç koşullarındaki küçük değişikliklerin zamanla nasıl büyüdüğünü izleyerek, hataların ne zaman fiilen doyuma ulaştığını—tahminlerin tahminlerle ayırt edilemez hale geldiğini—tahmin ediyorlar. Analizleri, El Niño için içsel sınırın yaklaşık 30 ay civarında olduğunu öne sürüyor. Yeni fiziğe yönlendirilmiş ağ, kararlı iç dinamikleri ve birden çok etkileşen iklim modunu gerçekçi şekilde ele alması sayesinde bu sınıra en yakın duran yöntem olup, 1,5 yıldan fazla süreyle faydalı yetenek sergiliyor.

Toplum İçin Ne Anlama Geliyor

Uzman olmayanlar için ana mesaj, fiziksel öngörü ile verimli makine öğrenimini birleştirmenin, şeffaflıktan ödün vermeden El Niño tahminlerine güvenebileceğimiz süreyi anlamlı şekilde uzatabileceğidir. Bir avuç iyi anlaşılan iklim göstergesi ve okyanusun gizli ısı depolamasına odaklanarak, bu yaklaşım hem sistemin neden öngörülebilir olduğunu netleştiriyor hem de doğanın hâlâ yaklaşık iki buçuk yıllık kesin bir ufuk dayattığını gösteriyor. Bu tür fiziğe yönlendirilmiş araçlar, kurumların El Niño ile ilişkili aşırılıklar için daha erken ve daha güvenilir uyarılar yapmasına yardımcı olabilir ve makine öğrenimini iklim sisteminin diğer kritik parçalarını anlamak ve tahmin etmek için kullanmaya yönelik bir yol haritası sunar.

Atıf: Zhang, Z., Meng, J., Qiu, Z. et al. Enhancing the predictability limits of ENSO with physics-guided deep echo state networks. npj Clim Atmos Sci 9, 92 (2026). https://doi.org/10.1038/s41612-026-01360-5

Anahtar kelimeler: El Niño tahmini, iklim makine öğrenimi, okyanus–atmosfer bağlantısı, sıcak su hacmi, uzun vadeli iklim tahminleri