Raporlar
Araştırma: Daha İyi Başlangıç Verileri Yapay Zekâ Hava Tahminlerini İyileştirebilir

Öne çıkan noktalarDaha iyi başlangıç atmosferik verileri, modelin kendisini değiştirmeden Aurora…
Daha fazla göster
- Daha iyi başlangıç atmosferik verileri, modelin kendisini değiştirmeden Aurora tahminlerini iyileştirdi.
- Bir günlük kazanç, uydu gözlemlerini izole etmek yerine Sky 1 başlatmasını ham GFS ile karşılaştırıyor.
- Hava durumu yapay zekâsındaki ilerleme, gözlemlerin asimilasyonu, tahmin ve değerlendirmeden oluşan tam boru hattına bağlıdır.
Tomorrow.io, tahmin modeli çalışmaya başlamadan önce yapay zekâ destekli hava tahminlerini iyileştirmenin mümkün olduğunu savunuyor. Şirketin son araştırmasına göre mevcut atmosferin daha iyi tahmin edilmesi, tahmin modellerinde herhangi bir değişiklik yapılmadan Microsoft’un Aurora 1.5 ve Google DeepMind’ın WeatherNext 2 modellerinden elde edilen tahminleri iyileştirebilir.
Şirketin 17 Kasım tarihli duyurusunda, 15 mikrodalga sondaj cihazından oluşan uydu takımyıldızından gelen gözlemleri kullanarak başlangıç koşullarını saatte bir güncelleyen bir makine öğrenimi veri özümseme sistemi olan Sky 1 tanıtılıyor. Bu cihazlar, bulutların içinden ve gözlemlerin seyrek olduğu bölgeler üzerinden de sıcaklık ve nem bilgisi sağlıyor.
Sonuçlar, gözlem sistemlerine ve bir modelin girdilerini hazırlayan yazılımlara, model mimarisi kadar önem verilmesi gerektiğine işaret ediyor. Ayrıca iki ayrı karşılaştırmayı ele alıyor: uydu gözlemlerinin katkısını ve Aurora’yı başlatmak için Sky 1 kullanmanın daha genel faydasını.
Başlangıç Atmosferi Neden Önemli?
Bir hava durumu modeli, sıcaklık, nem ve rüzgâr gibi koşulların üç boyutlu bir tahmini olan başlangıç durumuna ihtiyaç duyar. Gözlemler farklı yerlerden, irtifalardan ve zamanlardan gelir. Veri özümseme, tutarlı bir başlangıç noktası oluşturmak için ölçümleri mevcut atmosfer tahminiyle bir araya getirir.
ECMWF’nin ERA5 açıklaması, modellerle gözlemlerin bu şekilde bir araya getirilmesini anlatıyor. ERA5, geçmiş hava durumunu tutarlı bir küresel veri kümesine dönüştürerek tahminleri değerlendirmek için yararlı bir referans sunuyor. Bununla birlikte ERA5, kendine özgü modelleme ve gözlem girdileri olan bir atmosfer yeniden yapılandırmasıdır.
Hızlı çıkarım, bir modelin sırada ne olacağını ne kadar çabuk hesaplayabildiğiyle ilgilidir. Daha iyi başlangıç koşulları ise modelin şu anda neler olduğunu ne kadar iyi bildiğiyle ilgilidir. Güçlü bir model bile hatalı bir başlangıç tahminini sonraki tahminlerine taşıyabilir.
Uydu Karşılaştırmasının Bulguları
Tomorrow.io, 28 örnekte kendi gözlemlerinin eklenmesinin başlangıç durumundaki su buharı hatasını ERA5’e göre yaklaşık %5–8 azalttığını bildiriyor. Tahmin değerlendirmesinde, gözlemlerin kullanıldığı 112 Aurora 1.5 tahmininin tamamında, beş güne kadarki değerlendirilen tüm tahmin vadelerinde yüzeye yakın sıcaklık hatası ortalama olarak daha düşüktü. Şirket, kazanımların mütevazı olduğunu ve en belirgin biçimde ilk iki günde görüldüğünü belirtiyor.
Şirketin yayımladığı yöntemlerde eşleştirilmiş başlangıç durumları kullanılıyor: Sky 1, bir başlangıç durumunu uydu takımyıldızının gözlemleriyle, diğerini ise bu gözlemler olmadan hazırlıyor. Her iki durumda da aynı tahmin modeli çalıştırılıyor; böylece değerlendirmede ek verinin katkısı yalıtılabiliyor.
İstasyon karşılaştırmasında yaklaşık 17.700 hava durumu istasyonu kullanıldı. WeatherNext 2 de eşleştirilmiş başlangıç durumlarıyla test edildi.
“Ekstra Gün” Sonucu Aslında Ne Anlama Geliyor?
Yaklaşık bir günlük tahmin vadesi kazanımı, Sky 1 ile başlatılan Aurora’nın, doğrudan Global Forecast System (GFS) verileriyle başlatılan Aurora’yla ayrı bir karşılaştırmasından elde ediliyor. Tomorrow.io’nun bildirdiğine göre, ERA5’e göre puanlanan ham GFS çalışması, beş günlük Sky 1 tahmininin hata düzeyine yaklaşık 24,9 saat daha erken ulaştı. Hava durumu istasyonlarına göre yapılan değerlendirmede eşdeğer kazanım yaklaşık 10 saatti.
Şirket, bu sonucu yalnızca uydu takımyıldızına değil, açıkça genel olarak Sky 1’e bağlıyor. İyileşmenin bir bölümünün, Aurora’ya eğitim sırasında karşılaştığı başlangıç durumlarına benzeyen bir başlangıç durumu sağlanmasından kaynaklandığını belirtiyor.
Araştırmayı yorumlarken bu ayrım kritik önem taşıyor. Gün cinsinden ifade edilen sonuç, belirli bir sıcaklık hatası eşiğindeki performansı ve belirli bir referansı ölçüyor. Her tahmin değişkeninin, bölgenin veya aşırı hava olayının tam bir gün daha erken tahmin edilebilir hâle geldiğini göstermiyor.
Yeni Gözlemlerin Arkasındaki Teknoloji
Tomorrow.io’nun mikrodalga sondaj cihazlarına ilişkin belgelerinde, atmosferin sıcaklık ve su buharı profillerini sağlayan pasif radyometreler anlatılıyor. Şirket, 91–204 GHz aralığını kapsayan 12’den fazla kanal ve yaklaşık 2.200 kilometre genişliğinde bir şerit boyunca çapraz tarama yapıldığını belirtiyor.
Bu cihazlar atmosfer analizinde kullanılmak üzere ölçüm sağlar; doğrudan tamamlanmış bir tahmin üretmez. Bir gözlemin değeri kalibrasyonuna, kapsama alanına, zamanlamasına ve özümseme sisteminin bu gözlemi nasıl kullandığına bağlıdır. Bu da uzay donanımını, yapay zekâ destekli tahmin modellerinin kullandığı girdi sürecine bağlar.
Aurora ve WeatherNext’in Rolü
Microsoft, Aurora 1.5’i Dünya sistemi temel modelinin bir uzantısı olarak tanımlıyor. Bu sürüm, saatlik zamansal çözünürlük, daha fazla tahmin değişkeni ve olasılıksal ansambl tahmini sunuyor. Ansambl, geleceğe ilişkin birden çok olası sonucu temsil ederek kullanıcıların belirsizliği değerlendirmesine yardımcı oluyor.
WeatherNext 2, küresel ansambl tahmini için Functional Generative Network mimarisini kullanıyor. Google’ın belgelerinde 0,25 derecelik bir grid, 64 ansambl üyesi ve 15 günlük tahmin ufku belirtiliyor. Tomorrow.io’nun bildirdiği değerlendirme ise beş günlük bir dönemi kapsıyor.
Google, o zamandan bu yana canlı uydu gözlemlerini kullanan ve saatlik tahminler üreten WeatherNext 3 modelini tanıttı. Burada ele alınan Tomorrow.io sonuçları WeatherNext 2 ile ilgilidir; Google’ın daha yeni modelinde bir iyileşme olduğunu ortaya koymamaktadır.
Hava Tahmininde Yapay Zekâ İçin Daha Geniş Bir Yönelim
Bunlar, şirket tarafından bildirilen geriye dönük değerlendirmelerdir. Başlangıç verilerinin ve gözlemlerin kalitesini sınamak için yararlı bir ölçüt sunarlar; duyuruda verilerin talep üzerine sağlandığı belirtilmektedir. Açıklama, kasırga güzergâhlarını, atmosferik nehirlerin karaya ulaşmasını ve şiddetli hava olaylarını değerlendiren çalışmaları anlatıyor; ancak bu olaylar için sıcaklık tahmininde aynı ön süre kazanımının sağlandığını ortaya koymuyor.
Daha geniş çıkarım şu: Hava tahmininde yapay zekâ; gözlemler, veri asimilasyonu, tahmin ve değerlendirmeden oluşan bütün bir süreç boyunca ilerliyor. Tomorrow.io’nun testleri, girdileri incelemenin yalnızca tahmin modellerinin mimarilerini karşılaştırarak fark edilemeyecek kazanımları nasıl ortaya çıkarabileceğini gösteriyor. Kullanıcılar açısından anlamlı sonuç, kendi faaliyetleri için önem taşıyan değişkenlerde, bölgelerde ve karar alma zaman aralıklarında güvenilir iyileşmeler sağlanması olacak.












