Bitkilerin yaprak yoğunluğunu ifade eden yaprak alan indeksi (LAI), yeryüzü ile atmosfer arasındaki su, enerji ve karbon alışverişini doğrudan etkileyen temel bir değişkendir. Tarımdan ormancılığa, iklim modellemesinden kuraklık tahminlerine kadar pek çok alanda kullanılan bu göstergenin önceden ve yüksek çözünürlükte bilinmesi, bilim dünyası için uzun süredir çözüm bekleyen bir sorundu.
Yeni çalışmada araştırmacılar, bu soruna derin öğrenme tabanlı bir çözüm önerdi. Sequence-to-sequence ConvLSTM olarak adlandırılan mimari; geçmiş LAI verilerini, günlük sıcaklık ve yağış ölçümlerini girdi olarak alarak 30 gün ileriye dönük tahminler üretiyor. Model, 1 kilometrelik mekânsal çözünürlüğüyle ızgara tabanlı bir çıktı sunuyor; bu da onu bölgesel iklim ve kara yüzeyi modellerine doğrudan entegre edilebilir kılıyor.
Güney-Orta ABD üzerinde eğitilen ve test edilen model, 30 günlük ileri tahmin süresinde ortalama kare hata kökü (RMSE) değerini 0,36 düzeyinde tutmayı başardı. Bu değer, en basit kıyaslama yöntemi olan kalıcılık tahminine göre üçte birden fazla daha iyi bir performansa karşılık geliyor. Güçlü iklim gradyanları ve çeşitli bitki örtüsüyle bilinen bu coğrafya, modelin zorlu koşullardaki dayanıklılığını sınamak için elverişli bir test sahası niteliği taşıyor.
Önceki makine öğrenmesi çalışmaları LAI'yi nokta ölçeğinde ya da geniş bölgesel ortalamalar biçiminde tahmin edebiliyordu; ancak meteoroloji verisiyle beslenen, ızgara çözünürlüğünde ve ileriye dönük bir tahmin sistemi şimdiye kadar geliştirilmemişti. Bu çalışma tam da o boşluğu dolduruyor.
Sonuçlar, yapay zekanın yalnızca geçmiş verileri analiz etmekle kalmayıp ekosistem dinamiklerini öngörmede de etkin biçimde kullanılabileceğini gösteriyor. İleride bu tür modellerin tarımsal erken uyarı sistemlerine, yangın risk tahminlerine ve karbon döngüsü modellemesine katkı sağlaması bekleniyor.