Microsoft Research, Nature’da yapay zekâ destekli hava tahmini araştırmasını yayımladı

Microsoft Research öncülüğündeki bir ekip, 14 Ekim 2026’da Nature’da bir çalışma yayımlayarak olasılıksal yanlılık düzeltmesi (PBC) adlı bir makine öğrenimi çerçevesini tanıttı. Yazarların bildirdiğine göre bu çerçeve, iki ila altı hafta sonrasına yönelik hava tahminlerini iyileştiriyor. Ekip ayrıca kodları açık kaynak olarak yayımladı.

Çalışmada, modern dinamik sistemler ve yapay zekâ sistemleri yaklaşık iki haftaya kadar doğru tahminler sunsa da biriken hatalar, sistematik model yanlılıkları ve atmosferin kaotik doğası nedeniyle iki ila altı haftalık mevsim altı zaman ölçeklerinde tahmin becerisinin keskin biçimde düştüğü belirtiliyor. Yazarlar PBC’yi, bir modelin geçmiş olasılıksal tahminlerini düzeltmeyi öğrenerek sistematik hatayı azaltan bir çerçeve olarak sunuyor. Bu çerçeve, ham gözlemler yerine doğrudan olasılık dağılımları üzerinde çalışıyor.

Hannah Guan ve Soukayna Mouatadid çalışmaya eşit katkıda bulundu; Guan araştırmasını Microsoft Research stajyeri olarak yürüttü. MIT’den Judah Cohen ve Microsoft Research’ten Lester Mackey, çalışmanın iletişim yazarlarıdır. 13 yazarlı ekipte Microsoft Research, Microsoft, MIT, Harvard College, Toronto Üniversitesi, IMPA, Janus Research Group, Rhiza Research ve ECMWF ile bağlantılı araştırmacılar yer alıyor. Nature kayıtlarına göre makale 17 Nisan 2026’da teslim alındı ve 4 Eylül 2026’da kabul edildi.

PBC nasıl çalışıyor ve nasıl değerlendirildi?

PBC, deterministik tahminlerden oluşan ham bir topluluk verildiğinde önce bu topluluğu, klimatolojik kantil aralıklarına göre ölçülen başlangıç niteliğinde bir olasılıksal tahmine dönüştürüyor. Ardından iki makine öğrenimi modeli, birbirini tamamlayan düzeltmeleri paralel olarak uyguluyor: Debias++, uyarlanabilir biçimde seçilmiş eğitim dönemlerinde olasılıksal tahmin hatasını en aza indirerek öğrenilen konum, tarih ve kantile özgü ayarlamalarla tahmini değiştiriyor. Persistence++ ise yakın dönemdeki hava eğilimlerini ve yılın gününe bağlı etkileri yakalamak için tahmini gecikmeli gözlemler ve klimatolojiyle harmanlıyor. İki düzeltme, geçerli kümülatif dağılım fonksiyonlarının oluşturduğu uzaya yansıtılıyor ve ortalamaları alınarak nihai PBC tahmini elde ediliyor.

Ekip, tahminleri ECMWF’nin AI Weather Quest yarışmasının yöntemlerini kullanarak değerlendirdi: 1,5 derecelik küresel bir ızgarada kara üzerindeki 2 metre sıcaklığının ortalaması ve toplam yağış ile ortalama deniz seviyesi basıncı, beş kantil aralığıyla ele alındı. Tahminler, 3. hafta (19–25. günler) ve 4. hafta (26–32. günler) ön süreleri için, klimatolojik bir temel değere kıyasla sıralı olasılıksal beceri skoru (RPSS) kullanılarak puanlandı. Gerçek değerler, 1,5 derecelik çözünürlüğe yeniden ızgaralanmış 1979–2026 ERA5 yeniden analiz verileriydi. Varsayılan test kümesi, 2016–2024 dönemindeki artık gün olmayan pazartesi ve cuma hedef tarihlerini kapsıyordu. Yazarlar, PBC’nin her tahmin tarihindeki yeniden analiz ve model tahmini verileriyle günlük olarak kademeli biçimde yeniden eğitilebilecek kadar hafif olduğunu ve bunun operasyonel kullanımı taklit ettiğini belirtiyor.

Dinamik ve yapay zekâ modellerinde beceri artışı

Çalışmada, ECMWF’nin dinamik tahmin topluluğunun yaygın biçimde dünyanın en doğru hava tahmin modeli ve mevsim altı tahmin becerisini kıyaslamada altın standart kabul edildiği belirtiliyor. 2016–2024 döneminde bu topluluğa uygulanan PBC’nin, ham modelin 0,023 RPSS’lik pozitif yağış tahmin becerisini üç katına çıkardığı ve sıcaklık ile basınç tahminlerindeki negatif beceriyi başarılı tahminlere dönüştürdüğü bildiriliyor. Yazarların raporuna göre ECMWF’nin operasyonel olarak yanlılığı giderilmiş çıktısına kıyasla PBC, sıcaklık RPSS’sini %26–37, basınç RPSS’sini ise %16–32 artırdı. Yağışta ızgara hücrelerinin %98’inde, sıcaklıkta %91–92’sinde ve deniz seviyesi basıncında %89–91’inde iyileşme sağlandı.

Çalışmaya göre PBC, yapay zekâ tabanlı sistemleri de iyileştirdi. Mevsim altı tahminler için ECMWF’nin derin öğrenme modeli AIFS-SUBS’ye uygulandığında PBC, 2025 test yılında tüm değişkenler ve ön süreler genelinde modelin 0,03 olan ortalama RPSS’sini ikiye katladı. ECMWF topluluğunun evrişimli ve transformer sinir ağlarıyla son işlemden geçirildiği hibrit bir sistem olan POET’e uygulandığında ise PBC, makaleye göre 2024’te yağışta %68–98, ortalama deniz seviyesi basıncında %15–23 ve sıcaklıkta %5–7 artış sağladı. Yazarlar ayrıca PBC-ECMWF’nin 2017–2021 test yıllarında FuXi-S2S derin öğrenme modeline kıyasla belirgin beceri artışları gösterdiğini bildiriyor: sıcaklık için ızgara hücrelerinin %99–100’ünde, yağış için %97–99’unda ve ortalama deniz seviyesi basıncı için %96–100’ünde iyileşme görüldü.

Yarışma sonuçları ve aşırı olay tahminleri

Ekip, gerçek zamanlı performansı kıyaslamak için PBC-ECMWF ve PBC-POET’ten oluşan MicroDuet adlı bir tahmin topluluğunu ECMWF’nin 2025 AI Weather Quest yarışmasına soktu. Makaleye göre MicroDuet, ilk kez düzenlenen eylül–kasım sezonunda tüm hava değişkenleri ve ön sürelerde birinci oldu. Operasyonel tahmin merkezlerinin (ECMWF, NOAA, ECCC, HMCR, KMA ve JMA) yanlılığı giderilmiş dinamik modellerini, altı modelli dinamik çoklu model topluluğunu, AIFS-SUBS’nin üç sürümünü ve dünya genelindeki 34 ekibin tahmin sistemlerini geride bıraktı. MicroDuet, aralık–şubat sezonunda da her iki ön sürede lider oldu. Yazarların bildirdiğine göre MicroDuet, her iki sezon genelinde tüm değişkenler ve ön sürelerde yanlılığı giderilmiş ECMWF’yi anlamlı ölçüde geride bırakan tek katılımcıydı (P < 0,05).

ECMWF, aynı yarışmayı 13 Mart 2026 tarihli bir bilim blog yazısında ele aldı. Yazıda, ilk iki yarışma döneminde 42 ekibin, her biri farklı bir ad taşıyan 74 model kapsamında tahmin sunduğu; MicroEnsemble ekibinin son işleme modeli MicroDuet’in sıralamada istikrarlı biçimde ilk sırada yer aldığı ve tüm değişkenler ile tahmin vadelerinde ECMWF’nin Entegre Tahmin Sistemi’ni önemli ölçüde geride bıraktığı belirtildi.

Makale ayrıca, MicroDuet’in Kasım 2025’te yaptığı gerçek zamanlı 4. hafta sıcaklık tahmininin, ECMWF’nin yanlılığı giderilmiş tahmininin öngöremediği, Aralık 2025’te ABD’nin doğusunda yaşanan soğuk hava dalgasını önceden tahmin ettiğini bildiriyor.

Araştırmacılar, aşırı olay tahminleri için PBC’yi yarı-desil (yüzde 5’lik kantil) artışlarıyla eğitti; aşırı yüksek değerleri 95. yüzdelik dilimin üzerinde gerçekleşen, aşırı düşük değerleri ise 5. yüzdelik dilimin altında kalan olaylar olarak tanımladı ve beceriyi Brier beceri skoru ile ölçtü. Araştırmaya göre, 2016–2024 döneminde 3. haftaya yönelik aşırı yüksek değer tahminlerinde PBC, operasyonel olarak yanlılığı giderilmiş ECMWF tahminlerinin becerisini sıcaklıkta yüzde 51, basınçta yüzde 39 artırdı; ızgara hücrelerindeki artışlar yağışta yüzde 96, deniz seviyesi basıncında yüzde 89 ve sıcaklıkta yüzde 85 oldu.

Araştırmacılara göre, Global Disaster Alert and Coordination System (GDACS) tarafından 2016 ile 2026 arasında kayda geçirilen 2.435 sel olayında PBC, 3. hafta sel tahminlerinin becerisini yüzde 76–92 artırırken operasyonel yanlılık giderme, ECMWF’nin ham tahminlerinin 0,04–0,06 olan başlangıç becerisini sıfıra yaklaştırdı. Makaleye göre, GDACS’nin 100’den fazla ölüme veya 80.000 kişinin yerinden edilmesine yol açan olaylar olarak tanımladığı 88 büyük selde PBC, büyük sel tahminlerinin becerisini yüzde 86–150 artırdı. Araştırmacılar, olasılıksal tahmin becerisindeki bu kazanımların aşırı olayların daha doğru tahmin edilmesini sağladığını ve hassas topluluklarda tarımsal planlamayı, enerji yönetimini ve afet hazırlıklarını iyileştirme potansiyeli taşıdığını belirtiyor.

Açık Kaynak Kod ve Araştırmanın Bağlamı

PBC kodu MIT lisansı altında GitHub’da kullanılabilir ve Zenodo’da arşivlenmiştir; çalışmanın tekrarlanmasına yönelik kod da buna dahildir. Depodaki bilgilere göre Python kod tabanı, Rocky Linux 8.10 ve Python 3.13.3 kullanılarak test edilmiştir. Yazarların ön baskısı 17 Nisan 2026’da arXiv’e gönderilmiş ve son olarak 4 Eylül 2026’da gözden geçirilmiştir; Microsoft Research’ün yayın sayfasında ise çalışmanın tarihi Nisan 2026 olarak belirtilmiştir.

Ekip, makalenin tartışma bölümünde PBC’yi atmosferik dinamikleri baştan öğrenmeye çalışmak yerine öngörülebilir hataları hedefleyen bir yöntem olarak tanımlıyor. PBC’yi, girdi modellerini iyileştirmenin yerine geçen bir çözüm değil, son işleme aracı ve kaynakları kısıtlı ortamlardakiler de dahil olmak üzere meteoroloji merkezleri için düşük ek yük getiren bir strateji olarak sunuyor. Fon açıklamalarında Orenstein için FAPERJ desteği, Cohen için ABD Ulusal Bilim Vakfı hibesi ve ECMWF yazarları için AB’nin Destination Earth programından sağlanan fon listeleniyor. Çıkar çatışması beyanında ise bazı yazarların Microsoft çalışanı olduğu veya Microsoft hisselerine sahip olduğu belirtiliyor.