Okyanus tahminciliği, iklim değişikliği ve denizcilik güvenliği açısından kritik öneme sahip bir alan. Geleneksel makine öğrenmesi yaklaşımları bu konuda sadece deterministik sonuçlar üretebiliyorken, okyanusların doğası gereği kaotik yapısı göz ardı ediliyordu.
Araştırmacıların geliştirdiği Njord modeli, bu soruna olasılıksal bir yaklaşımla çözüm getiriyor. Sistem, derin latent değişken çerçevesi ile graf sinir ağı mimarisini harmanlayarak, her tahmin adımında tek seferde örnekleme yapabilme kabiliyetine sahip. Bu teknoloji hem küresel hem de bölgesel okyanus tahminleri için uygulanabilir nitelikte.
Modelin test edildiği iki farklı ölçek dikkat çekici: Küresel düzeyde 0.25 derece çözünürlük ve Baltık Denizi özelinde 2 kilometre çözünürlük. Böylesine geniş okyanus ızgaralarıyla çalışabilmesi için araştırmacılar, düzensiz deniz yüzeyi geometrisine uyum sağlayan özel K-means küme ağları tasarladılar.
Deneysel sonuçlar, Njord'un deterministik makine öğrenmesi modellerine kıyasla her iki alanda da üstün performans sergilediğini ortaya koyuyor. Özellikle küresel OceanBench ölçütünde, üst okyanus değişkenleri için ortalama en düşük hata oranlarına ulaştığı belirtiliyor.
Bu gelişme, okyanus tahminciliğinde belirsizlik ölçümlerinin de dahil edilmesiyle daha güvenilir ve kapsamlı sonuçlar elde edilmesine olanak tanıyor.