Fiziksel Okyanusta Derin Öğrenme Uygulamaları: Kapsamlı Bir Derleme

Fiziksel okyanus bilimi, küresel iklim dengesinin korunması, deniz kaynaklarının yönetimi ve okyanus içi dinamik süreçlerin anlaşılmasında temel bir disiplindir. Geleneksel nümerik modeller ve fiziksel parametreleştirme teknikleri, okyanus sistemlerinin karmaşık, lineer olmayan ve çok ölçekli yapısını simüle etmede önemli başarılar gösterse de yüksek hesaplama yükü, veri ölçeklenebilirliği eksikliği ve bölgesel genellenebilirlik sınırları gibi belirgin engellerle karşılaşmaktadır. Gelişen uzaktan algılama teknolojileri, okyanus tabanlı IoT sensörleri ve uydu iletişim ağları sayesinde petabayt ölçeğinde spasiyo-temporal okyanus büyük verisi birikmiştir. Bu durum, araştırmacıları teorik fiziksel simülasyonlardan veri odaklı derin öğrenme yaklaşımlarına yöneltmiştir. Derin öğrenmenin sunduğu esnek, veri odaklı ve yüksek boyutlu parametre optimizasyonu kapasitesi, okyanus biliminde AI okyanus çağının kapılarını aralamıştır.

Bu derleme makalesinde yazarlar, fiziksel okyanus bilimindeki geniş araştırma konularını dört ana kategoride sınıflandırarak derin öğrenmenin güncel uygulamalarını kapsamlı bir biçimde incelemiştir: yüzey elemanları (SST, SSS, SSH, SWH, deniz buzu), alt yüzey elemanları (alt yüzey sıcaklık ve tuzluluk yapısı), tipik okyanus olguları (meso-ölçekli girdaplar, cepheler, iç dalgalar) ve tipik hava/iklim olayları (tropikal siklonlar, ENSO, IOD). İncelemede, uzamsal veriler için evrişimli sınır ağları (CNN), zamansal diziler için tekrarlayan sınır ağları (RNN, LSTM, GRU) ve veri üretimi ile yüksek çözünürlüklü yeniden yapılandırma için üretici çekişmeli ağlar (GAN) ile Transformer modelleri metodolojik olarak çözümlenmiştir. Çalışma, son üç yıla ait makaleleri veri ön işleme, model mimarisi, eğitim stratejisi ve performans metrikleri açısından ayrıntılı biçimde değerlendirmektedir.

Makalede sunulan sentez bulguları, derin öğrenme modellerinin okyanus uzaktan algılama verilerindeki eksiklikleri gidermede, süper çözünürlüklü veri üretmede ve uzun dönemli spasiyo-temporal tahminlerde geleneksel istatistiksel yöntemlere kıyasla belirgin üstünlük sağladığını göstermektedir. Özellikle SST ve SSH tahminlerinde zaman-uzam dikkat (attention) mekanizmalarıyla güçlendirilmiş LSTM ve ConvLSTM yapılarının hata oranlarını önemli ölçüde düşürdüğü tespit edilmiştir. Meso-ölçekli girdap tespiti ve takibinde CNN ve U-Net türevlerinin %93'ü aşan doğruluk oranlarına ulaştığı; tropikal siklon rotası ve şiddeti tahmininde ise çok boyutlu 2D/3D veri füzyonu sağlayan modellerin ve transfer öğrenmenin tahmin ufuklarını 17-20 aya kadar genişlettiği belirlenmiştir. Ayrıca alt yüzey sıcaklık ve tuzluluk profillerinin uydu yüzey verilerinden yüksek hassasiyetle rekonstrüksiyonunun mümkün olduğu kanıtlanmıştır.

Çalışmanın tartışma ve sonuç bölümlerinde, derin öğrenmenin mevcut kısıtları ve geleceğe dönük stratejik yönelimleri ayrıntılandırılmıştır. Derin öğrenme modellerinin karakutu yapısı nedeniyle karşılaşılan açıklanabilirlik eksikliği ve verilerin etiketsizliği temel teknik engeller olarak öne çıkmaktadır. Yazarlar, derin öğrenmenin geleneksel nümerik modellerin yerini almayacağını, aksine fiziksel yasalarla kısıtlanmış sınır ağları (PINN) ve veri asimilasyonu biçiminde nümerik modellerle hibritleştirilmesi gerektiğini vurgulamaktadır. Bu makale, Türk araştırmacılar ve lisansüstü öğrencileri için fiziksel okyanus biliminde derin öğrenme yöntemlerinin seçiminde, spasiyo-temporal veri füzyonu mimarilerinin tasarımında ve fizik tabanlı yapay zeka araştırmalarının kurgulanmasında bütüncül bir rehber ve metodolojik referans niteliği taşımaktadır.