Avrupa’nın Yeni Yapay Zeka Destekli Hava Modeli: Hızlı, Akıllı ve Ücretsiz – İşte Bilmeniz Gerekenler
Avrupa Orta Vadeli Hava Tahmini Merkezi (ECMWF), AI destekli bir hava tahmin modeli tanıttı. Merkez, bu modelin en yeni fizik tabanlı modelleri %20’ye kadar daha iyi performans gösterdiğini belirtiyor.
Modelin adı Yapay Zeka Tahmin Sistemi (AIFS) olarak belirlendi. ECMWF’in yaptığı bir duyuruya göre, bu yeni model fizik tabanlı modellere göre daha hızlı çalışıyor ve bir tahmin yaparken yaklaşık 1.000 kat daha az enerji harcıyor.
50. yılını kutlayan ECMWF, ENS isimli dünyaca lider bir orta vadeli hava tahmin modeli üretmiştir. Orta vadeli tahminler, üç gün ile 15 gün arası hava tahminlerini kapsar. Ancak ECMWF, bir yıla kadar hava tahminleri de sunar. Hava tahmin modelleri, ekstrem hava olaylarına hazırlıklı olmak için ve gündelik ihtiyaçlarımız, örneğin bir tatil için hava durumu bilmek gibi, oldukça önemlidir.
Geleneksel hava tahmin modelleri, fizik denklemlerini çözerek tahmin yapar. Bu modellerin sınırlı yanı, atmosferik dinamiklerin yaklaşık tahminlerini sunmalarıdır. AI destekli modellerin cazip yanı, hava deseni verilerinden daha karmaşık ilişkileri ve dinamikleri öğrenip, yalnızca daha önce bilinen denklemlere dayanmak yerine daha doğru tahminler elde etme kapasitesidir.
ECMWF’in bu duyurusu, Google DeepMind’ın, NeuralGCM ve GraphCast içeren GenCast modeli için yaptığı duyurunun hemen ardından geldi. GenCast, farklı hava değişkenleri üzerinde ENS, ECMWF’in lider hava tahmin modeli, %97.2 hedefini geçti. 36 saatten fazla önde gittiğinde, GenCast %99.8 hedefinde ENS’den daha doğru sonuçlar verdi.
Fakat Avrupa Merkezi de inovasyon yapmaya devam ediyor. AIFS-single’ın tanıtımı yalnızca sistemin ilk operasyonel versiyonunu temsil ediyor.
“Bu, modellerin istikrarlı ve güvenilir bir şekilde çalıştığından emin olmak için büyük bir çaba,” diyor ECMWF Tahmin ve Hizmetler Direktörü Florian Pappenberger. “Şu anda, AIFS’nin çözünürlüğü fizik tabanlı yaklaşım kullanan modelimiz (IFS) kadar yüksek değil ve 9 km [5.6 mil] çözünürlük sağlıyor.”
“AIFS ve IFS’yi tamamlayıcı olarak görüyoruz ve kullanıcı topluluğumuza, ihtiyaçlarına en uygun ürünleri sağlama konusunda geniş bir yelpaze sunuyoruz,” diye ekledi Pappenberger. Ekip, örgütün hava tahmini yapabilme yeteneğini geliştirmek adına, veri odaklı ve fizik tabanlı modellemeyi birleştirmeye çalışacak.
“Fizik tabanlı modeller, mevcut veri-asimilasyon süreci için çok önemli,” dedi ECMWF Makine Öğrenme Stratejik Lideri ve İnovasyon Platformu Baş Yöneticisi Matthew Chantry bir e-postada. “Bu aynı veri asimilasyon süreci, makine öğrenme modellerinin her gün başlatılmasını ve tahmin yapmasını sağlıyor.”
“Makine öğrenme hava tahminleri için bir sonraki sınır bu veri-asimilasyon adımı, ki çözüldüğünde tam hava tahmin zinciri makine öğrenmesine dayalı olabilir,” diye ekledi Chantry. Fizik tabanlı yeniden analizlere dayanmayan veri odaklı, uçtan uca bir tahmin sistemi tanımlayan ve hakem incelemesi bekleyen bir çalışmanın eş yazarı Chantry.
GraphDOP adlı sistem, kutup yörüngesinden gelen parlaklık sıcaklıkları gibi gözlemlenebilir nicelikleri kullanarak “Dünya Sistem dinamiklerinin ve fiziksel süreçlerinin tutarlı bir gizli temsilini oluşturmakta” ve ekibin yazdığına göre “ilgili hava parametrelerini beş güne kadar başarılı bir şekilde tahmin edebilmekte”. Yapay zeka yöntemlerinin fizik destekli hava tahmini modellemesiyle entegrasyonu, daha doğru tahminler için umut verici bir alan. Bugüne kadar yapılan testler, AI destekli hava tahminlerinin tarihsel modellere üstün gelebileceğini gösteriyor, ancak şu ana kadar bu modeller yeniden analiz verilerine dayanıyordu. Modelleri eğitmek için yersel gözlemler önemliydi ve teknolojinin tahmin yetenekleri, beklenmedik koşullarda nasıl sonuç vereceği henüz belli değil.
