Tsinghua Üniversitesi, UniCM adlı tek bir modelleme sistemiyle çoklu iklim modellerini birleştirerek iklim tahmin düzeyini artırıyor.

Yazan: 36Kr

【Giriş】清华 ekibi, UniCM modelini, birden fazla iklim modu arasındaki etkileşimleri öğrenmek için birleştirilmiş bir çerçeve kullanarak ortaya koydu ve bu da AI'nın küresel iklim sisteminin karmaşık ilişkilerini daha iyi anlamasına yardımcı oluyor. Bu atılım, iklim tahminlerinin doğruluğunu ve zamanlılığını artırmakla kalmaz, aynı zamanda AI'yı iklim mekanizmalarını keşfetmek için bir araç haline getirir ve afet önleme, tarım gibi alanlar için önemli bir değere sahiptir.

İklim tahminleri söz konusu olduğunda, en çok bilinen fenomen El Niño (ENSO)'dur.

Ancak küresel iklim, tek bir iklim olayı tarafından belirlenmez. ENSO'nun yanı sıra, Hint Okyanusu Dipolü (IOD), Tropikal Kuzey Atlantik Modu (TNA), Kuzey Pasifik Meridyenel Modu (NPMM) gibi birçok iklim modu birlikte var olur ve okyanus havzaları arası uzak etkileşimler ve deniz-atmosfer etkileşimleri yoluyla dinamik bir şekilde birleşik küresel bir sistem oluşturur.

Uzun yıllardır, çoğu tahmin yöntemi tek bir iklim moduyla veya sadece az sayıdaki modlar arasındaki ilişkilerle sınırlı kalmış ve küresel iklim sistemindeki karmaşık doğrusal olmayan etkileşim süreçlerini tanımlamakta zorlanmıştır. UniCM ise birden fazla kritik iklim modunu aynı tek bir çerçevede modellemeye alarak, küresel okyanus-atmosfer sistemini birbirleriyle etkileşen bir bütünü olarak ele alır.

Son zamanlarda, Tsinghua Üniversitesi Elektronik Mühendisliği Bölümü Prof. Dr. Li Yong ekibi, Nature Machine Intelligence dergisinde "Global İklim Modlarının İlişkili Dinamiklerini Öğrenme" başlıklı bir araştırma makalesi yayımladı ve UniCM (Birleşik İklim Modeli) adlı global iklim modları için tek bir tahmin modeli sundu.

Makale bağlantısı: https://www.nature.com/articles/s42256-026-01245-5

Araştırma ekibi, iklim sisteminin öngörülebilirliğinin, tekil iklim fenomenlerinden ziyade, çoklu iklim modları arasındaki uzun süreli bağlanma ilişkilerinden kaynaklandığını keşfetti. Bu bağlanma dinamiklerini öğrenerek UniCM, geleneksel yöntemlerin zorlu olduğu «doğuşsal öngörülebilirlik» (Emergent Predictability)’i serbest bıraktı.

Bu araştırma, geleneksel iklim tahminlerinin “tek mod, ayrı ayrı tahmin” yaklaşımını aşarak, ilk kez küresel birleşik sistem perspektifinden, birçok okyanus-atmosfer iklim modu arasındaki karmaşık dinamik ilişkileri tek bir öğrenme çerçevesinde kazanır ve uzun vadeli iklim tahmini, aşırı iklim olayları uyarıları ve AI destekli iklim bilimi keşifleri için yeni bir araştırma modeli sunar.

Araştırma arka planı

Son yıllarda yapay zekâ, hava tahmini alanında hızlı bir gelişim gösterdi. Çeşitli AI modelleri, birkaç günden birkaç haftaya kadar olan sürelerde yüksek doğrulukta hava tahmini yapabilmektedir.

Ancak iklim tahminleri, daha uzun zaman ölçeklerindeki sorulara odaklanır: Gelecek aylar, yıllar veya daha uzun bir süre içinde küresel iklim sistemi nasıl evrilecek? Hangi bölgelerde kuraklık, sel, sıcak dalga gibi aşırı olaylar ortaya çıkabilir? Bu sorular, birçok okyanus ve atmosfer sistemi arasındaki karmaşık çok ölçekli etkileşimleri içerir.

Mevcut yöntemler, iklim modellerini birbirinden bağımsız nesneler olarak ele alır, ancak gerçek dünyadaki iklim sistemi yüksek derecede bağlı bir karmaşık ağdır. AI'nın sadece «tahmin yapmayı» değil, aynı zamanda bilim insanlarına bu modeller arasındaki uzun vadeli bağları anlamada yardımcı olmayı sağlama sorunu, AI for Science alanının önemli bir zorluğudur.

「Çift Görüş」 Tek İklim Modeli

Bu sorunu çözmek için araştırma ekibi UniCM çift kollu mimarisini tasarladı.

Model, iki temel modülden oluşur:

1. Globalformer: Yerel fiziksel alanların evrimini öğrenin

Globalformer, ince ölçekli iklim alanlarından iklim sisteminin uzamsal-temporal gelişim kurallarını öğrenmek için deniz yüzeyi sıcaklığı (SST), rüzgar gerilimi, termoklin derinliği ve üst okyanus sıcaklığı gibi kritik fiziksel değişkenleri işler.

2. Modeformer: İklim modelleri arasındaki ilişkileri öğrenin

Modeformer, ENSO, IOD, TNA, NPMM, SPMM, IOB ve SIOD olmak üzere yedi önemli iklim modu üzerinde odaklanarak, bu modlar arasındaki doğrusal olmayan etkileşimleri ve ortak evrim süreçlerini öğrenir.

Daha önemlisi, UniCM, ikili eşleşme mekanizması kurar: bir taraftan, yerel fiziksel alanlar büyük ölçekli iklim modellerini oluşturur; diğer taraftan, oluşturulan iklim modelleri, yerel fiziksel alanların gelecekteki evrimini etkiler. Araştırma ekibi bu mekanizmaya «mode-to-patch guidance» adını verir; yani büyük ölçekli iklim durumlarını kullanarak yerel tahminleri yönlendirerek, lokalden genelde ve ardından genelden yine locale geri besleme yapan bir kapalı döngü modellemesi sağlar.

ENSO, küresel olarak en önemli iklim modellerinden biri olarak kabul edilir ve uzun vadeli iklim tahmini alanında en zorlu görevlerden biridir.

Araştırma sonuçları, 1980–2023 yılları arasındaki gözlem verileri testinde, UniCM'nin 24 aylık tahmin penceresi boyunca çeşitli temel modelleri sürekli olarak aştığını göstermektedir. Model, ENSO'nun etkili tahmin öncesi süresini 19 aya çıkarmayı başarmıştır; önceki ileri modeller genellikle yalnızca 15 ila 16 ay civarında bir süre elde edebilmişti.

Aynı zamanda, iklim tahmin alanında uzun süredir devam eden "İlkbahar Öngörülebilirlik Engeli" sorununda UniCM, belirgin bir üstünlük göstermektedir. Model, kuzey yarım kürenin ilkbaharını geçerken yüksek tahmin becerisini korumaya devam eder ve etkili tahmin yeteneğini yaklaşık 14 aya kadar uzatır.

Ayrıca, UniCM, 1997–1998 yılları arasındaki süper El Niño olayını ve 2020–2023 yılları arasındaki üç yıllık "üçlü La Niña" olayını başarıyla yeniden oluşturarak bu tarihi aşırı olayların oluşumunu, gelişimini ve zayıflamasını doğru bir şekilde yakalamıştır.

UniCM, ENSO'yu tahmin etmenin yanı sıra aynı çerçevede ENSO, IOD, IOB, SIOD, SPMM, NPMM ve TNA olmak üzere yedi önemli iklim modunu aynı anda tahmin edebilir.

Sonuçlar, modelin çeşitli iklim modları üzerindeki tahmin yeteneğinin mevcut temsilci yöntemlerden daha iyi olduğunu göstermektedir. Özellikle ENSO olmayan ve tahmini daha zor olan modlar için ortalama tahmin becerisi %22'den fazla artmıştır; IOD için etkili tahmin öncesi süre yaklaşık 7 aydır.

Daha önemlisi, UniCM, farklı iklim modları arasındaki gerçek gecikmeli ilişkileri doğru bir şekilde yeniden oluşturabilir. Örneğin, NPMM'nin ENSO'yu yaklaşık 4 ay öne çıkaran fiziksel bağlantısını ve çok sayıda okyanus havzası arasındaki iklim modları arasındaki korelasyon yapılarını başarıyla yeniden üretmiştir.

Bu, modelin basit istatistiksel ilişkileri değil, küresel iklim sisteminde gerçek olarak var olan fiziksel korelasyon mekanizmalarını öğrendiğini gösterir.

Tahmin yeteneğinin yanı sıra, UniCM yüksek bir yorumlanabilirliğe de sahiptir.

Araştırma ekibi, modelin içsel dikkat mekanizmasını analiz ederek, büyük ENSO olaylarından önce modelin fiziksel anlama sahip kritik bölgeleri ve kritik modlar arasındaki ilişkileri otomatik olarak odakladığını tespit etti.

Örneğin, 1997 yılında gerçekleşen süper El Niño olayından önce model, NPMM'nin önemli bir öncü rolünü tanımladı; bazı karmaşık iklim olaylarında ise TNA'nın kilit bir merkez rolü oynadığı tespit edildi. Bu bulgular, mevcut iklim fizik araştırmalarıyla yüksek oranda uyum içindedir.

UniCM, geleceğin iklim durumlarını tahmin etmenin yanı sıra bilim insanlarına potansiyel mekanizmaları keşfetme ve yeni bilimsel hipotezler ortaya koyma konusunda yardımcı olacak şekilde iklim bilimi araştırmaları için önemli bir destek aracı olacaktır.

Gelecek Uygulamaları ve Gelişim Potansiyeli

Küresel iklim değişikliği bağlamında, uzun vadeli iklim tahminlerinin önemi giderek artmaktadır. Daha doğru ve daha uzun süreli iklim tahminleri, tarım üretimi, su kaynakları yönetimi, enerji dağıtımı, balıkçılık gelişimi ve afet azaltma gibi alanlara doğrudan hizmet edecektir.

Araştırma ekibi, UniCM'nin yalnızca yeni bir iklim tahmin modeli değil, karmaşık sistemler için birleştirilmiş modelleme yaklaşımını da temsil ettiğini düşünüyor. Gelecekte, bu çerçeve, iç mevsimsel salınımlar, on yıllık iklim değişiklikleri ve küresel ısınma bağlamında iklim modellerinin evrimi araştırmalarına genişletilecek ve ayrıca "yerel süreçler—genel yapı" çift yönlü eşleşmesine sahip diğer karmaşık sistemlere uygulanacaktır.

Hava tahmini ile iklim anlayışına, ardından kalıpların keşfine kadar, UniCM, yapay zekânın Dünya sistemi bilimindeki yeni olasılıklarını gösteriyor: Gerçekten önemli tahmin bilgileri, belki de tek bir iklim endeksinde değil, tüm iklim sisteminin sürekli gelişen eşleşmiş ilişkilerinde saklıdır.

Kaynaklar: https://www.nature.com/articles/s42256-026-01245-5