Sıcak hava dalgaları Avrupa’nın en ölümcül iklim tehlikeleri arasında yer alırken, CMCC liderliğindeki bir bilim insanı ekibi, yazdan dört ila yedi hafta önce yararlı bilgiler sağlayabilen ve hazırlıklılığı geliştirmek için değerli zaman sağlayan bir tahmin sistemi geliştirdi.
Yüzyıllar süren iklim analizinden son yıllara kadar elde edilen verilerle eğitilen makine öğrenimi sistemi, gerekli hesaplama kaynaklarını büyük ölçüde azaltarak tahmin verimliliğinde bir artış gösterdi ve bu teknikleri daha fazla sayıda araştırmacı ve kurum için erişilebilir hale getirdi.
“Bir özellik seçim çerçevesi kullanarak Avrupa sıcak hava dalgalarının mevsimsel tahmini” adlı çalışma, İletişim Dünya ve Çevremakine öğrenimi (ML) ve yapay zeka (AI) tekniklerinin, geleneksel yaklaşımlara göre daha doğru, uygun maliyetli tahminler sağlayarak iklim biliminde nasıl devrim yarattığını gösteriyor.
Ayrıca, geleneksel dinamik tahmin sistemlerinin büyük miktarda hesaplama kaynağı gerektirdiği ve kuzey Avrupa bölgelerinde güvenilirlik sorunu yaşadığı durumlarda, bu veriye dayalı yaklaşım bir alternatif sunmaktadır.
McAdam, “ML, iklim değişkenliğini inceleme şeklimizin temel bir parçası olacak” diyor. “Bu çalışma, makine öğreniminin aşırı olay tahmininde yararlılığını gösterdi, ancak yorumlanabilir ve fiziksel olarak anlamlı sonuçlar almak için bunu nasıl yapacağımızı tanımlamanın yalnızca ilk adımı.”
Sıcak hava dalgaları Avrupa çapında tarımsal kayıplar, enerji kullanımında ani artışlar, sağlık krizleri ve artan ölüm oranları dahil olmak üzere yıkıcı etkilere neden oluyor.
2003, 2010 ve 2022’deki son ölümcül olaylar, sıcak hava dalgalarının etkilerini azaltmaya yardımcı olabilecek erken uyarı sistemlerine olan acil ihtiyacın altını çiziyor. İklim tahminleri önümüzdeki yıllarda sıcak hava dalgalarının daha da yoğunlaşacağını öngördüğü ve doğru mevsimsel tahminleri hayat kurtarmak için hayati hale getirdiği için bu özellikle önemlidir.
McAdam, “Aşırı sıcak yazlara ilişkin erken uyarı, toplumun ekonomik kayıpları hafifletmeye ve yaşam riskini azaltmaya hazırlanmasına yardımcı olabilir” diye açıklıyor. “İlkbaharda yapılan mevsimsel tahminler, prensipte, yazın ortalamadan daha sıcak olup olmayacağını belirtebilir.”
Yenilikçi metodoloji
Sistem, Avrupa genelinde sıcak hava dalgası olasılığını tahmin etmek için atmosferik, okyanus ve kara değişkenlerinin optimal kombinasyonunu tanımlayan optimizasyona dayalı bir özellik seçim çerçevesi kullanıyor. ML tekniklerini kullanan bu yaklaşım, her coğrafi konum için en tahmine dayalı kombinasyonları seçmek üzere yaklaşık 2.000 potansiyel tahminciyi analiz ediyor.
Yöntem, geleneksel tahmin sistemleriyle eşleşmenin ve bazı durumlarda onlardan daha iyi performans göstermenin yanı sıra, süreçte hangi tahmin edicilerin kullanıldığına dair bilgi de sağlar; bu değerli bir bilimsel kaynaktır. Avrupa genelinde farklı zaman ve lokasyonlarda hangi atmosferik ve okyanus tahmincilerinin tahmin becerisine en çok katkıda bulunduğunu belirleme yeteneği, örneğin aşırı sıcaklık olaylarının ardındaki fiziksel mekanizmalar hakkında gelecekteki araştırmalara bilgi sağlayabilir.
Örneğin araştırma, Avrupa toprak nemi, sıcaklık modelleri ve atmosferik dolaşımın en kritik yerel tahminciler olarak ortaya çıktığını, tropik Pasifik ve Atlantik’ten gelen uzak sinyallerin de tahmin becerisine katkıda bulunduğunu ortaya koyuyor.
Mevsimsel tahminlerde ısrarcı bir zorluk, İskandinavya ve kuzey-orta Avrupa’daki zayıf performans olmuştur. Buna karşılık, makalede geliştirilen yeni veri odaklı yaklaşım, daha önce sorunlu olan bu alanlardaki becerileri geliştiriyor.
Çalışmanın en yenilikçi yönlerinden biri, ML sisteminin 0-1850 yıllarını kapsayan paleoiklim simülasyonları konusunda eğitilmesini içeriyordu ve bu, gözlem kayıtlarında mevcut olandan çok daha fazla eğitim verisi sağlıyordu. Bu olağandışı yaklaşıma rağmen sistem, 1993-2016 yılları arasındaki gerçek dünyadaki ısı dalgalarını doğru bir şekilde tahmin etmek için öğrendiklerini başarıyla aktardı.
McAdam, “Tahmini yeterince eğitmek için henüz yeterli gerçek dünya verisi yok, bu nedenle ML modelleri aslında bir model dünyadaki sıcak hava dalgası etkenlerini öğrendi ancak eğitimi gerçek dünyaya başarıyla uyguladı” diyor.
Verimlilik meselesi
Yalnızca artan verimlilik değil, aynı zamanda hesaplama gereksinimlerindeki dramatik azalma da bu tekniği kullanan mevsimsel tahminleri daha geniş bir araştırmacı ve kurum yelpazesi için erişilebilir kılmaktadır. Geleneksel dinamik sistemlerin çalıştırılması çok büyük süper bilgi işlem kaynakları gerektirirken, bu yaklaşım özellikle minimum hesaplama yüküyle sıcak hava dalgası tahminine odaklanıyor.
McAdam, “Araştırmamız, geleneksel yaklaşımların hesaplama kaynaklarının çok küçük bir kısmını kullanarak, veriye dayalı makine öğrenimi tabanlı tahminleri başarıyla sezonluk zaman ölçeğine genişletti” diye belirtiyor.
Aşırı sıcak aylara ilişkin güvenilir mevsimsel tahminleri önceden sağlayan sistem, sıcak hava dalgasının toplum ve ekonomi üzerindeki etkilerini azaltmak için proaktif önlemler alınmasını sağlıyor.
Bu, tarım, halk sağlığı, enerji yönetimi ve acil durum planlaması da dahil olmak üzere sektörler genelinde iklim hizmetleri için yeni olanaklar açıyor ve aynı zamanda makine öğrenimi yaklaşımlarını CMCC tarafından üretilen dinamik sistemle birleştirme ve dolayısıyla her iki yaklaşımın güçlü yönlerinden yararlanma fırsatı yaratıyor.
Çerçeve aynı zamanda diğer ekstrem olaylara, başlangıç tarihlerine ve hedef sezonlara uyarlanma potansiyeline de sahiptir; bu, CMCC’nin iklim bilimini yenilikçi metodolojiler yoluyla ilerletme ve mevsimsel tahmin ve iklim riski değerlendirmesi için yeni standartlar oluşturma misyonunda önemli bir kilometre taşını temsil etmektedir.
