İklim bilimciler, yapay zekanın iklim değişkenliğini doğru biçimde öğrenip öğrenemediğini sorguluyor. Yeni bir araştırma, difüzyon modellerinin El Niño-Güney Salınımı (ENSO) gibi karmaşık iklim örüntülerini ancak yeterli veriyle kavrayabildiğini ortaya koyuyor. Sorun şu: Elimizdeki gerçek gözlem verileri bu eşiğin çok gerisinde kalıyor. ERSSTv5 veri setindeki yaklaşık 700 aylık gözlem, modelin doğru öğrenebilmesi için gereken 7.000 örneğin onda biri düzeyinde. Araştırmacılar bu veri açığını kapatmak için önce iklim modeli simülasyonlarıyla (CMIP6) ön eğitim, ardından sınırlı gözlem verisiyle ince ayar yapan bir hibrit yaklaşım geliştirdi. Yöntem, hem Gauss dağılımlı hem de daha karmaşık yapılardaki sentetik verilerle test edildi; ENSO'nun Doğu ve Orta Pasifik asimetrisi gibi ince örüntüler de dahil olmak üzere iklimin düşük boyutlu yapısı başarıyla kurtarılabildi. Bu çalışma, yapay zekanın iklim bilimine entegrasyonunda veri kıtlığının ne denli kritik bir engel olduğunu ve bu engeli aşmak için transfer öğrenmesinin ne kadar değerli olabileceğini somut biçimde gösteriyor.

arXiv — Atmosfer & Okyanus Bilimleri 0