İklim bilimciler, Dünya sistem modellerindeki (ESM) kalıcı sistematik hataları çözmek için yapay zeka ve geleneksel fizik yaklaşımlarını birleştiren yenilikçi bir yöntem geliştirdi. Bu hatalar, atmosferdeki çok ölçekli konveksiyon ve türbülans olaylarının tam çeşitliliğini modellemenin zorluğundan kaynaklanıyor.
Makine öğrenmesi tabanlı parametrizasyonlar, yüksek çözünürlüklü kısa simülasyonlardan elde edilen verilerle eğitildiğinde bu hataları önemli ölçüde azaltabiliyor. Ancak yapay sinir ağları çevrimdışı eğitildikten sonra çevrimiçi simülasyonlarda kararsızlık yaratarak uzun vadeli atmosfer simülasyonlarını zorlaştırıyor.
Araştırmacılar bu sorunu çözmek için güvenilirlik odaklı karıştırma tekniği geliştirdi. Bu yöntem, farklı iklim modelleri arasında parametrizasyon transferi sırasında ortaya çıkan dağılım kaymaları ve büyük çıkarım hatalarını minimize ediyor.
Çalışmada ClimSim verisiyle eğitilen, fizik temelli bir model kullanıldı. Süperparametrizeli simülasyonlardan elde edilen veriler, ölçek ayrımının daha net olması nedeniyle tercih edildi. Bu yaklaşım, konveksiyon parametrizasyonlarının kaba taneli veriler üzerinde eğitilmesi sırasında karşılaşılan zorlukları da hafifletiyor.
Bu hibrit yaklaşım, iklim modellemesinde yapay zeka kullanımının geleceği için önemli bir kavram kanıtı sunuyor ve daha güvenilir uzun vadeli iklim tahminleri yapılmasına olanak sağlayabilir.