Kuzey Atlantik Salınımı (NAO), Avrupa kıtasının iklimini şekillendiren en belirleyici atmosferik örüntülerden biri olarak kabul ediliyor. Kuzey Atlantik üzerindeki basınç farklılıklarından kaynaklanan bu salınım, Batı Avrupa'dan Akdeniz havzasına kadar geniş bir coğrafyada yağış ve sıcaklık rejimlerini doğrudan etkiliyor.
NAO'nun okyanus yüzey sıcaklıkları (SST) üzerindeki etkisi uzun süredir bilinse de bunun tersine, yani SST anomalilerinin NAO'yu nasıl şekillendirdiği sorusu hâlâ tam anlamıyla aydınlatılabilmiş değil. Bu ilişki zayıf ve doğrusal olmayan bir yapıya sahip olduğundan geleneksel iklim modelleri söz konusu bağlantıları yakalamakta ciddi güçlük çekiyor.
Yeni çalışmada araştırmacılar, bu soruna derin öğrenme perspektifinden yaklaşarak evrişimli sinir ağı (CNN) tabanlı bir tahmin sistemi geliştirdi. Model, kasım ve aralık aylarını kapsayan erken kış dönemine odaklanıyor; zira bu dönemde SST-NAO ilişkisi özellikle karmaşık bir hal alıyor.
Modelin eğitiminde El Niño Güney Salınımı (ENSO) olayları kritik bir girdi olarak kullanıldı. El Niño dönemlerinde NAO'nun pozitif, La Niña dönemlerinde ise negatif eğilim gösterdiği biliniyordu; ancak bu bağlantıyı sayısal modellere aktarmak güçtü. CNN mimarisi bu ilişkiyi veriden öğrenerek çok daha tutarlı tahminler üretmeyi mümkün kıldı.
Bunun yanı sıra Hint Okyanusu sıcaklık anomalileri ve Kuzey Atlantik'te gözlemlenen 'at nalı' biçimindeki SST örüntüsü de modelin girdileri arasında yer aldı. Her iki faktörün erken kış NAO değişkenliğine katkıda bulunduğu önceki çalışmalarda önerilmişti; yeni model bu önerileri sayısal bir tahmin çerçevesine dönüştürdü.
Elde edilen sonuçlar, yapay zeka destekli yaklaşımların geleneksel iklim modellemesinin önündeki bazı engelleri aşabileceğine işaret ediyor. Mevsimsel hava tahminlerinin iyileştirilmesi, tarımdan enerji planlamasına pek çok sektör için kritik önem taşıdığından bu araştırma hem bilimsel hem de pratik açıdan dikkat çekici bir adım niteliği taşıyor.