Fizik tabanlı geleneksel hava tahmini yöntemleri ve hatta yeni YZ modelleri, genellikle iki haftayı aşan vadelerde güvenilirliğini yitiriyor. Microsoft, bu sorunu makine öğrenimi kullanarak çözdüğünü iddia ediyor.
Şirket bünyesindeki araştırmacılar, iki ile altı hafta öncesinden daha doğru hava tahminleri yapmanın maliyet etkin yeni bir yolunu bulduklarını belirtiyor. Bu gelişme, çiftçilerin ve acil durum ekiplerinin daha yüksek bir kesinlikle önceden planlama yapmasına olanak tanıyor. Bulgular Nature dergisinde yayımlandı ve araç açık kaynaklı yazılım olarak kullanıma sunuldu.
Microsoft, Google, Nvidia ve hava tahmini için YZ araçları geliştiren diğer şirketlerin kervanına katılıyor. Ancak Microsoft’un bu alandaki son araştırması, tamamen yeni ve bağımsız bir hava durumu modeli oluşturmak yerine, mevcut modellerdeki sapmaları (bias) düzeltmek için makine öğrenimini kullanıyor. Araştırmacılar, bu yöntemin yetersiz kaynaklara sahip meteoroloji kurumları için YZ yardımıyla doğruluğu artırmanın daha erişilebilir bir yolu olmasını umuyor.
Fizik tabanlı modelleme, süper bilgisayarlarda çalışan ve yoğun hesaplama kaynakları gerektiren bir süreç. Üretken YZ ise güçlü grafik işlemcilere (GPU) ihtiyaç duyuyor. Buna karşılık Microsoft Research New England’da kıdemli baş araştırmacı olan Lester Mackey, yeni aracın yalnızca merkezi işlemciler (CPU) üzerinde çalışabildiğini söylüyor. Mackey, The Verge’e yaptığı açıklamada şunları belirtti:
“Hava tahminlerinin kaynak kullanımında daha verimli hâle gelmesi ve özellikle aşırı hava olaylarına yönelik tahminlerin daha uzun süre güvenilir kalması konusunda büyük umut taşıyorum.”
Fizik tabanlı ve YZ tabanlı modeller, iki hafta veya daha sonrası için tahmin yapmaya başladıklarında benzer sorunlarla karşılaşıyor. Geleneksel modeller, Dünya atmosferinin karmaşık fiziksel süreçlerini simüle etmeye çalışıyor. YZ modelleri ise tahmin üretmek için geçmiş verilerdeki örüntüleri inceliyor. Her iki yaklaşım da meteoroloji istasyonlarının seyrek olduğu bölgelerden bilim insanlarının hâlâ anlamaya çalıştığı karmaşık atmosfer olaylarına kadar çeşitli veri eksikliklerini gidermek için yaklaşık hesaplamalara dayanıyor. Modellerin bu eksiklikleri telafi etme biçimi, sistematik yanlılıklara yol açabiliyor. Tahmin süresi uzadıkça ortaya çıkan hatalar birikiyor ve tahminlerin doğruluğu azalıyor.
Microsoft, geliştirdiği yönteme Probabilistic Bias Correction (PBC) adını veriyor. Araç, bir modeldeki sistematik sapmaları tespit etmek ve düzeltmeler yapmak için makine öğrenimini kullanıyor. Mackey’nin verdiği örneklerden biri, iklim değişikliklerini düzeltmek üzerine. Fosil yakıtlardan kaynaklanan sera gazı emisyonları gezegeni ısıtıyor ama bir hava durumu modeli geçmiş kayıtlara dayalı tahminler yaparken dünyayı bugün gerçekte tecrübe edilenden daha soğuk sıcaklıklara yönlendiren sapmalar üretebiliyor.
Araştırmacılar, PBC yönteminin European Centre for Medium-Range Weather Forecasts (ECMWF) tarafından geliştirilen lider bir fizik tabanlı hava modelinin doğruluğunu yağış hedeflerinin %98’inde ve sıcaklık hedeflerinin %92’sinde artırdığını tespit etti. Makine öğrenimi altyapısı ayrıca çalışmadaki analizlerde ECMWF’nin yeni YZ tahmin sisteminin doğruluğunu iki katına çıkardı. Makale yayımlanmadan önce ECMWF, yazarların PBC üzerindeki araştırmasını YZ Hava Durumu Yarışması kapsamında ödüllendirmişti.
Microsoft, MIT, ECMWF ve diğer kurumlardan araştırmacıların hazırladığı yeni PBC makalesini değerlendiren ECMWF Makine Öğrenimi Strateji Lideri Matthew Chantry, The Verge’e e-posta yoluyla yaptığı açıklamada şunları söyledi:
“Bu çalışma, topluluğun yararına ve değerlendirmesine sunulmak üzere geliştirilen yeni fikirlere iyi bir örnek.”
Chantry sözlerini şöyle sürdürdü:
“Her zaman olduğu gibi, fikirleri uygulamada gerçeğe dönüştürmek en zorlu aşamalardan biri.”
Hava tahminleri için gereken yüksek hesaplama gücü ve altyapı, ekonomik açıdan gelişmekte olan ülkelerdeki birçok meteoroloji kurumunun teknolojik ilerlemelere erişimini sık sık engelledi. Ancak makalenin yazarları, PBC’nin farklı olabileceğini düşünüyor. Araştırmanın yazarlarından Genevieve Flaspohler şöyle açıklıyor:
“PBC gibi modellerde beni en çok heyecanlandıran şeylerden biri, ne kadar az kaynak gerektirdikleri ve eğitilmelerinin ne kadar kolay olduğu. Bu sayede büyük kaynaklara sahip olmayan bilim insanları da bu modelleri belirli bölgelerde daha iyi performans gösterecek şekilde yapılandırmak için çalışabiliyor.”
Flaspohler, Microsoft’ta Mackey ile birlikte stajyer olarak PBC üzerinde çalıştı ve şu anda kâr amacı gütmeyen Rhiza Research kuruluşunun icra direktörlüğünü yürütüyor. Kuruluş, Gates Foundation finansmanıyla, YZ’nin insanlara daha doğru erken uyarılar ulaştırmaya yardımcı olup olamayacağını görmek için Kenya Meteorological Service Authority ile birlikte çalışıyor.
PBC, rekor düzeydeki El Niño sırasında normalden daha şiddetli geçmesi beklenen yağış mevsimi öncesinde test ettikleri yöntemlerden biri.
Kaynak: https://www.theverge.com/science/1011127/ai-weather-forecast-microsoft
