Derin Öğrenme Sistemi Aşırı Hava Durumlarını Doğru Bir Şekilde Öngörebilir

Rice Üniversitesi’ndeki mühendisler, aşırı hava olaylarını beş güne kadar önceden doğru bir şekilde öngörebilen bir derin öğrenme sistemi geliştirdiler. Sistem, yalnızca mevcut hava koşulları hakkında minimum bilgi gerektirir.

Sistemin eğitimi, yüzlerce harita çiftini incelemeyi içerir ve her harita, beş kilometre yükseklikte yüzey sıcaklıkları ve hava basınçlarını gösterir. Bu koşullar, birkaç gün arayla gösterilir. Eğitim ayrıca, sıcak ve soğuk hava dalgalarına neden olan aşırı hava olaylarını üretmiş senaryoları sunar. Eğitimini tamamlayan derin öğrenme sistemi, daha önce görmediği haritalara dayanarak, %85’lik bir doğruluk oranıyla beş günlük aşırı hava tahminleri yapabildi.

Çalışmanın ortak yazarı Pedram Hassanzadeh’e göre, sistem, hava durumu tahmincileri için bir araç olarak kullanılabilir ve erken uyarı verebilir. Özellikle, belirli atmosferik koşulların neden olduğu aşırı hava olaylarını daha iyi anlamak için yararlı olacaktır.

1950’lerde bilgisayar tabanlı sayısal hava tahmini (NWP) icat edildiğinden, günlük hava tahminleri sürekli olarak iyileşmiştir. Ancak NWP, sıcak dalgaları gibi aşırı hava olayları hakkında güvenilir tahminler yapamaz.

“Belki de daha hızlı süper bilgisayarlara ihtiyacımız var, böylece sayısal hava tahmini modellerinin denklemlerini daha yüksek çözünürlükte çözebiliriz” dedi Hassanzadeh, Rice Üniversitesi’nde mekanik mühendisliği ve dünya, çevre ve gezegen bilimleri yardımcı doçenti. “Ancak aşırı hava olaylarına neden olan hava modellerinin fiziksel koşullarını ve öncüllerini tam olarak anlamadığımız için, denklemlerin tam olarak doğru olmadığı ve ne kadar işlem gücünü koyarsak koysak daha iyi tahminler üretemeyeceği de mümkündür.”

2017 yılında Hassanzadeh, çalışmanın ortak yazarları ve lisansüstü öğrencileri Ashesh Chattopadhyay ve Ebrahim Nabizadeh ile birlikte farklı bir yol izlemeye başladı.

“Sıcak dalgaları veya soğuk hava dalgalarını aldığınızda, hava haritasına baktığınızda, genellikle jet akımında garip bir davranış, büyük dalgalar veya hareket etmeyen büyük bir yüksek basınç sistemi görürsünüz” dedi Hassanzadeh. “Bu, bir desen tanıma problemi gibi görünüyordu. Bu nedenle, aşırı hava tahmini problemini bir desen tanıma problemi olarak formüle etmeye çalışmaya karar verdik, değil bir sayısal problem olarak.”

“Modelimizi, bize çok sayıda basınç deseni gösteren ve her biri için ‘Bu, aşırı hava üretmedi. Bu, Kaliforniya’da bir sıcak dalga üretti. Bu, hiçbir şey üretmedi. Bu, Kuzeydoğu’da bir soğuk hava dalgası üretti’ diyen bir şekilde eğittik” diye devam etti Hassanzadeh. “Houston ve Dallas gibi spesifik değil, daha çok bölgesel bir alan hissi.”

Bilgisayarlar öncesi, hava tahmini için analitik tahmin yöntemi kullanılmıştır. Bu, yeni sistemle benzer bir şekilde, ancak insanların yerine bilgisayarların yaptığı bir yöntemdi.

“Bilgisayarlar öncesi, bir şekilde tahmin yapıldı, bugün ve önceki desenlerin kataloğuna bakarak benzer bir desen aradılar ve bulduklarında, üç gün sonra Fransa’da yağmur olacağı öngörüsünde bulunuldu” dedi Hassanzadeh.

Şimdi, sinir ağları kendi kendine öğrenebilir ve insanlardan bağlantıları bulmalarına gerek kalmaz.

“Öncülleri tam olarak anlamadığımız önemli değil, çünkü sinir ağı kendisi bu bağlantıları öğrendi” dedi Hassanzadeh. “Aşırı hava için kritik olan desenleri öğrendi ve en iyi analoğu bulmak için bunları kullandı.”

Kavramlarını test etmek için, ekip gerçekçi bilgisayar simülasyonlarından alınan verileri kullandı. İlk olarak, konvolüsyonel sinir ağları ile erken sonuçlar bildirdiler, ancak daha sonra kapsül sinir ağlarına yöneldiler. Konvolüsyonel sinir ağları, göreceli uzaysal ilişkileri tanıyamaz, ancak kapsül sinir ağları tanıyabilir. Bu göreceli uzaysal ilişkiler, hava modellerinin evrimi için önemlidir.

“Hava haritalarındaki basınç desenlerinin göreceli konumları, yüksek ve alçakların konumu, hava nasıl evrimleşeceğini belirlemede anahtar faktördür” dedi Hassanzadeh.

Kapsül sinir ağları, konvolüsyonel sinir ağlarına göre daha az eğitim verisi gerektirir.

Ekibin sistemi, operasyonel tahminlerde kullanılabilmesi için çalışmaya devam etmesi gerekiyor, ancak Hassanzadeh umuyor ki sonunda aşırı hava için daha doğru tahminlere yol açacaktır.

“NWP’yi değiştireceğini önermiyoruz” dedi. “Ama bu, NWP için yararlı bir rehber olabilir. Hesaplamalı olarak, bu, NWP kaynaklarını özellikle aşırı hava muhtemel olan yerlerde odaklanmak için erken bir uyarı verebilecek çok ucuz bir yol olabilir.”

“Açıklayıcı AI’den (yapay zeka) fikirleri kullanmak istiyoruz, böylece sinir ağı ne yaptığını yorumlayabiliriz” dedi. “Bu, aşırı hava olaylarına neden olan öncülleri tanımlamamız ve onların fiziksel koşullarını daha iyi anlamamıza yardımcı olabilir.”