İklim araştırmalarının farklı alanlarında çalışan 10 uzman, yapay zekanın (AI) hava tahmininden metan sızıntısı takibine, deniz buzu gözlemlerinden elektrik şebekesi yönetimine kadar uzanan bir yelpazede kullanıldığını değerlendirdi. Uzmanlar, teknolojinin iklim bilimini hızlandırdığını kabul ederken doğrulanmamış sonuçlara aşırı güven, yoğun enerji kullanımı ve mevcut eşitsizlikleri derinleştirme risklerine de dikkat çekti.
Hava tahmininde hız, iklim projeksiyonunda belirsizlik
Birleşik Krallık Meteoroloji Ofisinde (UK Met Office) veri güdümlü iklim modellemesi bilim sorumlusu olan Dr. Doug McNeall, yapay zeka hava tahmin modellerinin büyük hacimli hava verisinden öğrenerek önümüzdeki birkaç saati tahmin ettiğini, ardından bu çıktıları tekrar tekrar modele besleyerek iki haftaya kadar uzanan tahminler ürettiğini söyledi. McNeall'a göre bu modeller, matematiksel denklemlere dayanan mevcut sayısal modellere kıyasla çok daha az hesaplama gücüyle isabetli sonuç verebiliyor.
Ancak McNeall, yapay zeka hava tahmin modellerinin bol gözlem verisinin bulunduğu ve performansın hızla ölçülebildiği kısa zaman ölçekleri için geliştirildiğini hatırlattı. İklim tahmininin bundan temelde farklı olduğunu belirten McNeall, iklim bilgisinin gözlem kaydının dışında kalan gelecek dönemlere ilişkin projeksiyonlar gerektirdiğini ifade etti. Bu nedenle umut verici yolun, yapay zekayı tamamen veri güdümlü yaklaşımlara dayandırmak yerine mevcut modelleri taklit etmek veya hızlandırmak için kullanmak olduğunu söyledi. Ona göre böyle bir harmanlanmış yaklaşım, iklim projeksiyonlarına duyulan güvenin dayanağı olan fiziksel anlayışı korurken iklim riski bilgisini çok daha erişilebilir ve uygun maliyetli hale getirebilir.
East Anglia Üniversitesinde iklim bilimi için yapay zeka profesörü olan William Collins, hem hava hem de iklim biliminde "gerçekten heyecan verici bir canlanma" yaşandığını söyledi. Collins'e göre makine öğrenimi sayısal hava tahminini derinden etkiledi; Avrupa Orta Vadeli Hava Tahminleri Merkezi (European Center for Mid-Range Weather Forecasts) artık geleneksel sistemin yanı sıra resmi hava tahmini iletişiminin parçası olarak bir yapay zeka tahmin sistemi devreye alıyor. Collins, yapay zeka sistemlerinin dünyanın önde gelen sayısal hava tahmin sistemleriyle "kesinlikle rekabet edebilir" hale geldiğini ve bunun "oldukça dikkat çekici" olduğunu belirtti.
Ona göre iklim tarafındaki asıl güçlük başka bir yerde duruyor: makine öğrenimi ve yapay zekanın büyük bölümü veriden öğrenmeye dayanıyor, oysa iklim henüz verisi bulunmayan bir geleceği temsil ediyor. Collins, "kelimenin tam anlamıyla geleceği tahmin etmeye çalıştığımızı, bu geleceğe dair gözlemimiz olmadığını" söyledi ve modelleri besleyecek verinin nereden geleceğini iklim camiasının aşmaya çalıştığı temel sorun olarak tanımladı.
Barselona Süper Bilgisayar Merkezinde (Barcelona Supercomputing Centre) yer sistemleri için yapay zeka araştırmacısı olan Dr. Amirpasha Mozaffari ise yapay zeka tahmin modellerinin tipik hava koşullarında iyi sonuç verdiğini, ancak rekor kıran ve eşi görülmemiş aşırı olaylarda fizik tabanlı modellerin gerisinde kaldığını vurguladı. Mozaffari, iklim değişikliğine uyum açısından en çok önem taşıyan olayların tam da bunlar olduğunu hatırlatarak hibrit modeller, fizik yasalarına dayalı kısıtlar veya modellerin görmedikleri veriler üzerinden değerlendirilmesi gibi çözümlerin alanın merkezi açık sorunu olduğunu söyledi.
Uydudan gelen veriyi iklim bilgisine çevirmek
Barselona Süper Bilgisayar Merkezinde iklim değişkenliği ve değişimi araştırmacısı olan Dr. Stefano Materia, yer gözlem uydularının çoğalmasıyla ortaya çıkan devasa jeo-uzamsal veri akışının yapay zeka aracılığıyla eyleme dönük iklim bilgisine dönüştürüldüğünü anlattı. Metan takibi ile ekosistem izlemenin bu kullanıma örnek olduğunu belirten Materia, güçlü bir sera gazı olan metanın sızıntılarının büyük ölçüde görünmez olduğunu ve izlenmesinin zorluk çıkardığını söyledi.
Ona göre yapay zeka algoritmaları artık uydulardan gelen hiperspektral görüntüleri otomatik olarak tarayarak dünya genelindeki belirli endüstriyel metan sızıntılarını nokta atışı tespit ediyor ve operatörleri neredeyse gerçek zamanlı uyarıyor. Makine öğrenimi modelleri ayrıca her gün binlerce uydu görüntüsünü işleyerek yasadışı ağaç kesimini tespit ediyor, arazi kullanımı değişikliklerini izliyor ve buzul geri çekilmesini insanların görüntüleri elle inceleyebileceğinden çok önce saptıyor.
Deniz buzunda gözlem kaydını uzatmak
New York Üniversitesi Çevresel Akışkanlar Dinamiği Laboratuvarında (Environmental Fluid Dynamics Lab) kutup araştırmacısı olan Dr. Clare Eayrs, makine öğreniminin deniz buzu modelleme iş akışının tamamında kullanıldığını belirtti. En olgun uygulamanın gözlemlerden daha fazla bilgi çıkarmak olduğunu söyleyen Eayrs, gemi radarından ince ölçekli deniz buzu deformasyonunun haritalanmasını ve mikropenetrometre profillerinde kar katmanlarının sınıflandırılmasını örnek verdi.
Eayrs'a göre tahmin, bu alanda en görünür uygulama olarak öne çıkıyor. Ice Net adlı deniz buzu tahmin sisteminin, derin öğrenmeye dayanan bir sistemin mevsimsel Arktik tahminlerinde önde gelen bir fiziksel modeli geride bırakabileceğini gösteren erken bir örnek olduğunu belirtti. Makine öğrenimi sistemleri artık deniz buzu yoğunluğu, kalınlığı ve sürüklenmesi gibi değişkenleri tahmin etmek için kullanılıyor.
Eayrs, Antarktika deniz buzuna ilişkin bilinenlerin çoğunun 1979'da başlayan uydu döneminden geldiğini, bunun da güçlü on yıllık değişkenliğe sahip bir sistem için kısa bir kayıt olduğunu ekledi. Ona göre daha eski koşullara ilişkin pek çok bilgi gemi günlüklerinde, balina avcılığı kayıtlarında, sefer fotoğraflarında ve 1979 öncesi hava ile uydu görüntülerinde duruyor ve makine öğrenimi bu bilgiyi çıkarmaya uygun bir araç olarak öne çıkıyor. Eayrs, gözlem kaydının uzatılmasının yapay zeka sistemlerinin eğitimi ve test edilmesi dahil neredeyse her şeyi iyileştireceğini söyledi.
Şebekeden politika döngüsüne
Massachusetts Teknoloji Enstitüsünde (Massachusetts Institute of Technology) yardımcı doçent ve İklim Değişikliği AI (Climate Change AI) kurucu ortağı olan Priya Donti, şebekeye daha fazla güneş, rüzgar ve diğer yenilenebilir kaynak girdikçe bu kaynakların yönetiminin yeniden düşünülmesi gerektiğini söyledi. Donti, yapay zekanın burada güneş ve rüzgar üretimini daha iyi tahmin ederek belirsizliği azalttığını ve daha ileriye dönük planlama yapılmasına olanak tanıdığını belirtti. Ona göre bir diğer önemli kullanım, şebekedeki bileşenlerin optimize edilmesi ve kontrol edilmesi; güç üreteçleri, bataryalar, sanayi yükleri, elektrikli araç bataryaları ile ısıtma ve soğutma sistemleri bu esnek yükler arasında yer alıyor.
Milano Politeknik Üniversitesinde (Politecnico di Milano) doktora sonrası araştırmacı olan Dr. Carlos Rodriguez-Pardo, yapay zekanın iklim politikası döngüsünün her aşamasında işe yaradığını söyledi. İlk aşamanın ölçüm olduğunu belirten Rodriguez-Pardo, makine öğreniminin uydu görüntülerini işleyerek emisyon tahminine, hava kalitesi izlemenin iyileştirilmesine, parçalı politika veri tabanlarının uyumlu hale getirilmesine ve insan ekiplerinin okuyamayacağı kadar büyümüş bilimsel literatürün haritalanmasına yardımcı olduğunu anlattı.
İkinci aşamada, yani gelecek senaryolarının modellenmesinde, hesaplama maliyeti yüksek modellerin davranışını çok daha düşük maliyetle yeniden üreten yapay zeka tabanlı emülatörlerin işi dönüştürdüğünü söyledi. Ona göre bu sayede birkaç senaryo yerine binlerce senaryo incelenebiliyor ve daha önce ulaşılamayan belirsizlikler ölçülebiliyor. Rodriguez-Pardo, pekiştirmeli öğrenmenin de ülkeler veya elektrik üreticileri gibi birden fazla aktörün farklı politika tasarımları altında nasıl rekabet ettiğini ve işbirliği yaptığını incelemeye imkan verdiğini ekledi. Üçüncü aşamada, yani değerlendirmede, nedensel makine öğreniminin bir politikanın gerçekten işe yarayıp yaramadığı sorusuna yanıt arayan araç setini genişlettiğini belirtti; bunun bir sonraki adımda ne olacağını tahmin etmekten farklı ve çok daha zor bir soru olduğunu vurguladı.
Panelde ve programda yapay zeka
Dünya İklim Araştırma Programı (World Climate Research Programme) başkan yardımcısı olan Cristiana Stan, yapay zekanın artık programın bütün ana bölümlerinde yer aldığını söyledi. Stan, hava tahmini modeli karşılaştırma projesinin fizik tabanlı sayısal hava tahmini modellerini, hibrit modelleri ve yapay zeka hava tahmini modellerini bir araya getirdiğini; projenin operasyonel modellere odaklandığı için en güncel sistemler arasında doğrudan karşılaştırma sunduğunu belirtti. Ona göre proje, yeni nesil operasyonel modellerin devreye alınmasını hızlandırmayı ve modellerin görece güçlü ile zayıf yanlarını değerlendirmek için gereken ölçütlerin geliştirilmesine katkı sunmayı amaçlıyor. Stan, yapay zekanın kaba çözünürlüklü model çıktısını yüksek çözünürlüğe incelten ölçek küçültme alanında da kullanıldığını ekledi.
Stan, Hükümetlerarası İklim Değişikliği Panelinin (Intergovernmental Panel on Climate Change) yedinci değerlendirme raporu için ilk kez yalnızca yapay zeka kullanan modellere ayrılmış bir model karşılaştırma projesi bulunduğunu söyledi ve bunu "gerçek bir dönüm noktası" olarak nitelendirdi. Panel, Eylül 2026'da süreçlerinde yapay zekanın sorumlu kullanımına ilişkin zamanında rehberlik sağlamak amacıyla bir "gayri resmi grup" kurdu.
Stan, birkaç yıl önce yeni bir mimarinin makine öğrenimi camiasından hava ve iklim çalışmalarına geçmesinin iki-üç yıl sürdüğünü, bugün bunun birkaç ayla ölçüldüğünü anlattı. Ona göre difüzyon modelleri, temel modeller ve üretken topluluklar, başka alanlarda göründükleriyle neredeyse aynı anda iklim alanına girdi ve bu hız daha önce ulaşılamayan imkanlar açıyor. Stan, küresel bir tahmin çalıştırmanın maliyetinin büyüklük sıralarında düştüğünü ve bunun ilke olarak hava ile iklim bilgisini kimin üretebileceğini değiştirdiğini söyledi.
Eşitsizlik riski ve gözlem çağrısı
Değerlendirmede öne çıkan konulardan biri, yapay zekanın iklim bilimindeki eşitsizlikleri hem azaltabileceği hem de derinleştirebileceği oldu. Uzmanlar, ön sahadaki modellerin neredeyse tamamen küresel kuzeyde geliştirildiğini, gözlemlerin en yoğun olduğu bölgelerin verisiyle eğitildiğini ve yine aynı bölgeleri yansıtan kıyaslarla doğrulandığını belirtti. Ucuz çıkarımın bunu tek başına düzeltmediğini, başkasının modelini çalıştırmanın o modelin neyle eğitildiği, nasıl değerlendirildiği ve kararlara hizmet edip etmediği konusunda söz sahibi olmak anlamına gelmediğini vurguladılar.
Uzmanlara göre veri altyapısının paylaşılması, insanların refahını merkeze alan değerlendirme ölçütleri ve bilginin gerçek anlamda ortak üretimi için bilinçli çaba gösterilmezse yapay zeka, küresel iklim bilgi sistemindeki mevcut uçurumu kapatmak yerine otomatikleştirip büyütme riski taşıyor. Aynı değerlendirmede, iyi kurgulandığında yapay zeka tabanlı Dünya sistemi modellerinin giriş engellerini önemli ölçüde düşürebileceği de belirtildi. Küçük bir araştırma grubu ya da veri kıtlığı çeken bir bölgedeki kurum, sıfırdan sistem kurmak yerine önceden eğitilmiş bir modeli mütevazı donanımla uyarlayabilir; bunun önemli olduğu, çünkü verinin en seyrek ve çözünürlük açığının en büyük olduğu yerlerin tam da iklim değişikliğine kırılganlığın en yüksek olduğu bölgeler olduğu ifade edildi.
McGill Üniversitesi Bilgisayar Bilimleri Okulunda doçent ve İklim Değişikliği AI kurucu ortağı olan Dr. David Rolnick ise iklim eyleminin temelde eylemin demokratikleşmesine ve iklim değişikliğine hem azaltım hem uyum açısından adil yanıt verilmesine dayanması gerektiğini söyledi. Rolnick'e göre büyük ölçekli yapay zekanın belirli coğrafyalarda ve paydaşlarda yoğunlaşması, gücü de bu aktörlerde toplayarak ve eylemi onların hedeflerine göre tanımlayarak bu amaçlara ters düşebiliyor. Rolnick, teknolojinin belirli kurumlarda geliştirilmesinin, o kurumların dünya nüfusunun çoğunluğunun ya da başka coğrafyalardaki yerel paydaşların ihtiyaçlarını anlaması anlamına gelmediğini sözlerine ekledi.
Güven, gözlem ve "doğru görünen" yanıtlar
Değerlendirmede en büyük güçlük olarak güven öne çıktı. İyi performansın gerekli ama yeterli olmadığı belirtilirken bağımsız değerlendirme, fiziksel inandırıcılık, süreç tabanlı doğrulama, dayanıklılık ve bir ölçüde yorumlanabilirliğin de gerektiği vurgulandı.
Değerlendirmede öne çıkan endişelerin başında, bu sistemlerin görünen başarısının gözlemlere daha az yatırım yapılması için gerekçe olarak okunması geldi. Uzmanlar, yapay zekanın gözlem, fiziksel anlayış ya da dikkatli değerlendirmenin yerine geçmediğini, özellikle deniz buzu ve kar kalınlığı gözlemlerinin seyrek kaldığı Antarktika'da daha fazla hedeflenmiş gözleme ihtiyaç duyulduğunu vurguladı.
Değerlendirmede ayrıca doğru yanıtı doğru nedenden almanın sürekli bir güçlük olduğu, asıl riskin "doğruymuş gibi görünen" ama doğru olmayan makul bir yanıt almak olduğu belirtildi. Bir bilgisayara yanıt sorulduğunda her zaman bir yanıt vereceği, sorunun bu yanıtın geçerli olup olmadığı olduğu ifade edildi. Uzmanlar, yapay zekanın dikkati diğer iklim eylemlerinden uzaklaştırmasını da başlıca riskler arasında sıraladı; teknolojinin sihirli bir değnek olmadığını, tek başına bir yanıt sunmadığını ve işe yaradığı yerlerde çözümün yalnızca bir parçası olduğunu belirttiler.
Değerlendirmede, PBL Hollanda Çevresel Değerlendirme Ajansında (PBL Netherlands Environmental Assessment Agency) kıdemli araştırmacı olan Prof. Detlef van Vuuren'in 2026'da verdiği bir röportajdaki sözlerine de yer verildi. Van Vuuren, yapay zeka araçları sayesinde artık eskisinden çok daha fazla öneri sunulduğunu söyledi. Ona göre bilim disiplininin bununla baş etmeyi öğrenmesi gerekiyor; bilimsel makale oluşturmada, hakemlikte ve öneri yazımında neyin kabul edilebilir olduğu henüz netleşmiş değil. Van Vuuren, akademi, veri merkezleri ve özel sektör arasındaki ortaklığın başarı için vazgeçilmez olacağını, asıl meselenin bu ilişkiyi açık bilime saygı göstererek ve açık kaynak kodu kullanarak yürütmek olduğunu belirtti. Açık kaynak olmayan büyük dil modelleri örneğinde olduğu gibi bir duruma düşülmemesi gerektiğini söyleyerek adalet, hesap verebilirlik, şeffaflık ve açıklanabilirlik çağrısı yaptı.
Değerlendirmede, yüksek çözünürlüklü çıktıların kesin görünebileceği ama kesin olmayabileceği, belirsizliklerin görünmez biçimde birikebileceği uyarısı da yer aldı. Politikaya girdi sağlayan tahminlerin dürüst ve iyi kalibre edilmiş belirsizlik tahminlerine ihtiyaç duyduğu, bunların karar açısından anlamlı bir dille aktarılması gerektiği belirtildi. Uzmanlar, her teknolojide olduğu gibi yapay zekanın da iklim kararlarında insan muhakemesini desteklemesi, onun yerini almaması gerektiğini vurguladı; araştırmacıların alanın toplumsal ilerlemeye hizmet etmesini sağlama sorumluluğu taşıdığı ifade edildi.
Üretken modeller yanılgısı ve hibrit gelecek
Değerlendirmede yapay zekanın sık sık büyük teknoloji şirketlerinin geliştirdiği büyük üretken modellerle özdeşleştirildiği, oysa iklim değişikliğiyle mücadelede işe yarayan sistemlerin çoğunlukla bunlar olmadığı belirtildi. Yapay zekanın enerji ve su kullanımına ilişkin kaygıların gerçek olduğu, ancak bu talebin büyük ölçekli üretken ve ajan tabanlı sistemlere ait olduğu ifade edildi. Uzmanlara göre kamuoyunun yapay zekayı tek bir şey, çoğunlukla büyük dil modelleri ve sohbet robotları olarak görmesi, bilim insanlarına kaynak ayıran karar vericilerin ne yapılması gerektiğine dair farklı bir anlayışa sahip olmasına yol açabiliyor; bu da doğru bilimin gerekli fonu alamaması anlamına geliyor.
Geleceğe dönük değerlendirmede hibrit modelleme öne çıktı. Bu yaklaşım, geleneksel süreç tabanlı Dünya sistemi modellerinin matematiksel titizliğini ve fiziksel tutarlılığını makine öğreniminin desen tanıma gücü ve hızıyla birleştiriyor. Uzmanlar, yöntemin hesaplama darboğazlarını aşabileceğini, model hücrelerine sığmayan süreçlerin yerini doldurabileceğini, karasal biyosferi iyileştirerek karasal karbon yutağındaki belirsizlikleri daraltabileceğini ve doğrusal olmayan devrilme noktalarını daha isabetli tespit edebileceğini öngörüyor.
Yapay zeka, sekizinci Eşleştirilmiş Model Karşılaştırma Projesinin de ayrılmaz bir parçası olacak; makine öğrenimi kodları geleneksel iklim modelleriyle birlikte çalışacak. Dünya İklim Araştırma Programı, yapay zekanın iklim araştırmalarında nasıl kullanılacağını ele almak üzere bir görev ekibi kurdu. Ekibin odak alanları arasında modelleme ve projeksiyonlar, veri ve gözlemler, etkiler ve hizmetler, özel sektörle işbirliği ile yapay zeka ve makine öğrenimi yöntemlerinin bilimsel titizliği ve güvenilirliği yer alıyor.
Stan, 2020'lerin sonlarında gelmesi beklenen sekizinci değerlendirme raporunun büyük ölçüde büyük dil modelleri kullanılarak yazılabileceğini söyledi. Ona göre raporu yazanların işi sentez yapmak ve yapay zekanın bu sürece katacağı değer, bilinen bilinmeyenleri ortaya koymakta yatıyor; yani neyin belirsiz, neyin iyi bilinmediğini göstermek, bilimin hangi yöne gitmesi gerektiğine işaret ediyor.