İklim tahminleri için kullanılan Dünya sistemi modelleri büyüleyici mühendislik araçlarıdır. Ozon tabakası değişikliklerin, büyük ölçekli hava anomalilerinin, kıyı bölgeleri ve ada ülkeleri için büyük önem taşıyan deniz seviyesindeki yükselmelerin aylar öncesinden belirlenmesini ve hatta atmosfere salınan belirli bir CO2 miktarı göz önüne alındığında iklimin nasıl değişeceğine dair öngörülerde bulunmamızı sağlarlar.
Dünya sistemi modellerinin çalışma prensipleri ve inşa edilme süreçleri, beş temel bileşen etrafında şekillenir.
İlk olarak, Dünya sisteminin farklı bileşenlerindeki hareketi tanımlayan denklemlere gereksinim vardır. Atmosfer ve okyanus hareketleri gibi akışkan davranışlar, fiziksel mantık ve temel termodinamik yasaları gibi prensiplerden türetilen, sıvıların hareketini anlatan denklemlerle ifade edilir. Temelde bu denklemler Dünya sisteminin dinamiklerini tam olarak tanımlamak üzere yeterli olmalıdır. Ancak büyük bir zorluk içerirler: Bu denklemler, doğrusal olmayan terimlere sahip olduklarından, analitik olarak çözülemezler yani yalnızca yaklaşık olarak çözebilirler ve bu noktada, ikinci bileşen devreye girer.
Sonraki adım, denklemleri çözmek için uzayı bir grid yapısı ile bölmektir. Bu sayede, akışkanın ve hareketlerinin temel özellikleri sürekli olarak değil, sadece grid noktalarında tanımlanır. Bu yaklaşım sayesinde, hareket denklemleri sayısal bir model kullanılarak çözülebilir. Ancak, burada bir zorluk daha vardır: Grid noktaları arasındaki mesafe gerçek dünyadaki ölçekten çok daha büyük olduğundan, Dünya sisteminin gerçek ölçülerini çözümlemek mümkün değildir.
Dünya sisteminin gelecekteki durumunun hesaplanabilmesi için bir adım daha atılması gereklidir. Bu adım ayrıklaştırma olarak adlandırılır. Ayrıklaştırma, grid noktalarındaki değişkenlerin nasıl etkileşime girdiğini tanımlamayı içerir. Bu, denklemler tarafından tanımlanan hareketin grid noktaları arasındaki etkileşimini anlamak anlamına gelir. Bu aşama, bilgisayar modelinin ne kadar doğru sonuçlar üreteceğini belirleyen kritik bir unsurdur.
Bu karmaşık bileşenlerin birleşimiyle, Dünya sisteminin gelecekteki durumunun tahmini mümkün hale gelir. Ancak bu süreç, büyük bir özveri ve hesaplama gücü gerektirir. Her bir modelin oluşturulması yıllar sürebilir ve hesaplama verimliliği ile tahmin doğruluğu arasında bir denge kurulması gerekir. Düşük maliyetli ve hızlı hesaplama yöntemleri daha ince gridler kullanılmasına olanak sağlar, ancak sayısal hataların modelin istikrarını etkileyebileceği unutulmamalıdır.
Günümüzdeki en son teknoloji Dünya sistemi modelleri, dünya genelinde yüz milyonlarca grid noktasını içerecek şekilde tasarlanmıştır. Bu modellerin işletilmesi, insan gücüyle mümkün değildir ve süper bilgisayarlar tarafından gerçekleştirilir. Örneğin, ECMWF gibi önde gelen tahmin merkezleri, bu tür bilgisayarları kullanarak hızlı ve hassas iklim tahminleri üretirler.
Son bileşen, modellerin çözünürlüğündeki sınırlamadan kaynaklanır. Tek tek bulutlar gibi Dünya sisteminin birçok özelliği grid üzerinde temsil edilemeyecek kadar küçüktür. Ancak yine de çok önemlidirler - bulutların olmadığı bir atmosfer hayal edin. Bu özellikleri temsil etmek için alt-grid-ölçekli parametrelendirme şemaları geliştirilmiştir. Bu şemalar, grid üzerindeki sıcaklık ve nem gibi bilgileri kullanarak, alt grid özelliklerinin çözümlenmiş olmaları halinde ne yapacaklarını yaklaşık olarak hesaplamaktadır. Bu süreç önemlidir ancak her zaman gerçek fiziksel sürecin sadece kaba bir yaklaşımıdır Bu nedenle parametrelendirme şemalarının tasarlanması oldukça zordur ve bulutların, konveksiyonun, kara yüzeyindeki veya deniz buzundaki süreçlerin ve küçük türbülanslı girdapların küçük ölçekli dinamikleri için en iyi çözümleri elde etmek için birçok alan bilimcisine ihtiyaç vardır.
Böylesine bir tahmin sistemi için farklı "bileşenlerin" nasıl bir araya getirildiği bilgisi gerçekten büyüleyici. Günlük hayatta iklim değişimi ve olası sonuçları üzerine bilgilere maruz kalmamıza rağmen perde arkasındaki karmaşıklığın farkında olmadığımıza eminim. Geleneksel iklim modellerinin nasıl geliştirildiğine dair bu genel bakışın ardından gelecek haftaki yazımızda, WeatherBench veri setini kullanarak basit ama etkili bir neural network uygulamasını inceleyeceğiz. Bu içerik, Python konusunda bilgili olmasanız bile erişilebilirlik sağlayarak tüm kod boyunca size rehberlik edecektir.
Kaynaklar
Copernicus ECMWF, iFAB (International Foundation Big Data and Artificial Intelligence for Human Development), Machine Learning in Weather & Climate course
ECMWF, Forecast charts and data