Küresel ısınmanın etkisi altında Kuzey Kutbu, çok yıllı kalın buzun hakim olduğu bir durumdan, ağırlıklı olarak ilk yıldaki ince buzun karakterize ettiği bir “Yeni Kuzey Kutbu”na geçiş yapıyor. Bu genç buz daha kırılgan ve erimeye daha yatkın; bu da sadece buz örtüsünün istikrarsızlığını arttırmakla kalmıyor, aynı zamanda deniz buzu tahmini için yeni zorluklar da ortaya çıkarıyor.
Deniz buzunun doğru tahmini, iklim sistemini anlamak ve Arktik navigasyonun güvenliğini sağlamak için önemli bir değere sahiptir. Ancak atmosferik, okyanussal ve diğer faktörlerin birleşik etkisi nedeniyle kesin tahmin, uluslararası araştırmaların önemli bir odağı olmayı sürdürüyor.
Son zamanlarda, Çin Bilimler Akademisi, Atmosfer Fiziği Enstitüsü’nden doçent Baoqiang Tian ve Sun Yat-sen Üniversitesi’nden Profesör Ke Fan, Eylül ayı Arktik deniz buzunun kapsamı için, yıllar arası artış ve kademeli regresyon yaklaşımlarına dayanan yeni bir gerçek zamanlı tahmin yöntemi geliştirdiler.
Bulgular şu adreste yayınlandı: Atmosfer ve Okyanus Bilimi Mektupları “Eylül ayı Pan-Arctic deniz buzunun boyutunu tahmin etmek için yeni bir adım adım regresyon yöntemi: uzun kısa süreli hafızalı sinir ağlarıyla karşılaştırma” başlığı altında.
Çalışma, başlangıçtaki deniz buzu koşullarını termodinamik ve dinamik süreçlerle birleştiren, adım adım regresyon yoluyla etkili tahmin edicileri seçen ve yıllar arası artış yaklaşımını içeren bu yöntemin, Eylül Pan-Arktik deniz buzu yayılımı için yüksek tahmin performansı gösterdiğini göstermektedir.
LSTM (uzun kısa süreli bellek) sinir ağlarıyla karşılaştırıldığında, yeni yöntem 2014’ten 2022’ye kadar yapılan bağımsız testlerde daha küçük tahmin hataları ve daha fazla stabilite sergiliyor. Tahmin doğruluğu ayrıca Sea Ice Outlook tarafından yayınlanan tahminleri de aşıyor.
LSTM, eğitim aşamasında iyi performans gösterse de, gerçek dünyadaki tahmin sağlamlığı yeni yönteme göre daha düşüktür; bu, potansiyel olarak deniz buzu verilerinin sınırlı kullanılabilirliğine atfedilebilecek bir sınırlamadır ve bu, karmaşık makine öğrenimi modellerinde aşırı uyuma yol açabilir.
Makalenin ilgili yazarı Profesör Ke Fan şunları açıklıyor: “Tahmin yöntemimiz, aşırı uyumu önlemek için yalnızca tahmin edicilerin bağımsızlığını dikkate almakla kalmıyor, aynı zamanda yıllar arası artış yaklaşımı yoluyla tahmin sinyalini güçlendiriyor, böylece modelin tahmin kabiliyetini artırıyor.”
