Avrupa'nın Yeni Yapay Zeka Hava Durumu Modeli Daha Hızlı, Daha Akıllı ve Ücretsiz - İşte Bilmeniz Gerekenler

Avrupa Orta Vadeli Hava Tahminleri Merkezi (ECMWF), yapay zeka destekli bir tahmin modeli başlattı. Merkez, bu modelin, en son fizik tabanlı modellerden %20'ye kadar daha iyi performans gösterdiğini söylüyor.

Modele Yapay Zeka Tahmin Sistemi (AIFS) adı verildi. ECMWF'nin bir duyurusuna göre, yeni model fizik tabanlı modellerden daha hızlı çalışıyor ve tahmin yapmak için yaklaşık 1.000 kat daha az enerji harcıyor.

Şu anda 50. faaliyet yılında olan ECMWF, dünyanın önde gelen orta vadeli hava durumu tahmin modellerinden biri olan ENS'yi üretti. Orta vadeli tahmin , üç gün ile 15 gün arasında önceden yapılan hava durumu tahminlerini içerir, ancak ECMWF ayrıca bir yıla kadar hava durumu tahmini de yapar. Hava durumu tahmin modelleri, eyaletlerin ve yerel yönetimlerin aşırı hava olaylarına hazırlıklı olmaları için önemlidir; ayrıca yaklaşan tatilinizde havanın nasıl olacağını bilmek gibi daha günlük ihtiyaçlar için de önemlidir.

Geleneksel hava durumu tahmin modelleri, fizik denklemlerini çözerek tahminler yapar. Bu modellerin bir sınırlaması, atmosfer dinamiklerinin yaklaşık değerleri olmalarıdır. Yapay zeka destekli modellerin ilgi çekici bir yönü, yalnızca önceden bilinen ve belgelenmiş denklemlere güvenmek yerine, doğrudan verilerden hava durumu desenlerindeki daha karmaşık ilişkileri ve dinamikleri öğrenebilmeleridir.

ECMWF'nin duyurusu, Google'ın NeuralGCM ve GraphCast'ı içeren hava durumu tahmin yazılımının bir sonraki yinelemesi olan AI destekli hava durumu tahmini için Google DeepMind'ın GenCast modelinin hemen ardından geldi. GenCast, farklı hava değişkenlerindeki hedeflerin %97,2'sinde ECMWF'nin önde gelen hava durumu tahmin modeli olan ENS'yi geride bıraktı. 36 saatten uzun teslim süreleriyle GenCast, hedeflerin %99,8'inde ENS'den daha doğruydu.

Ancak Avrupa Merkezi de yenilik yapıyor. AIFS-single'ın lansmanı sistemin sadece ilk operasyonel versiyonu.

ECMWF'de Tahminler ve Hizmetler Direktörü Florian Pappenberger, merkez bülteninde "Bu, modellerin istikrarlı ve güvenilir bir şekilde çalışmasını sağlayan büyük bir çabadır" dedi. "Şu anda AIFS'nin çözünürlüğü, fizik tabanlı bir yaklaşım kullanarak 9 km [5,6 mil] çözünürlüğe ulaşan modelimizin (IFS) çözünürlüğünden daha azdır."

Pappenberger, "AIFS ve IFS'yi tamamlayıcı olarak görüyoruz ve kullanıcı topluluğumuza, ihtiyaçlarına en uygun olana karar veren bir dizi ürün sunmanın bir parçası olarak görüyoruz" diye ekledi.

Ekip, kuruluşun hava durumunu kesin bir şekilde tahmin etme yeteneğini geliştirmek için veri odaklı ve fizik tabanlı modellemenin hibritleştirilmesini araştıracak.

ECMWF'de Makine Öğrenimi Stratejik Lideri ve Yenilik Platformu Başkanı olan Matthew Chantry, Gizmodo'ya gönderdiği bir e-postada, "Fizik tabanlı modeller, mevcut veri asimilasyon sürecinin anahtarıdır" dedi. "Aynı veri asimilasyon süreci, günlük makine öğrenimi modellerini başlatmak ve bunların tahminler yapmasını sağlamak için de hayati öneme sahiptir."

Chantry, "Makine öğrenimi ile hava durumu tahmini için bir sonraki sınırlardan biri, bu veri asimilasyon adımıdır. Bu çözülürse, tüm hava durumu tahmin zincirinin makine öğrenimine dayalı olabileceği anlamına gelir" diye ekledi.

Chantry, fizik tabanlı yeniden analizlere dayanmayan, veri odaklı, uçtan uca bir tahmin sistemini tanımlayan, hakem incelemesini bekleyen bir çalışmanın ortak yazarıdır.

Ekip, GraphDOP adı verilen sistemin, kutup yörünge araçlarından gelen parlaklık sıcaklıkları gibi gözlemlenebilir nicelikleri kullanarak "Dünya Sistemi durum dinamikleri ve fiziksel süreçlerinin tutarlı bir gizli temsilini oluşturduğunu" ve "geleceğe dair beş güne kadar ilgili hava parametrelerinin ustaca tahminlerini üretebildiğini" yazdı.

Yapay zeka yöntemlerini fizik odaklı hava durumu tahmin modellemesiyle bütünleştirmek daha kesin tahminler için umut vadeden bir ortamdır. Bugüne kadar yapılan testler, yapay zeka destekli tahminlerin tarihsel modellerden daha iyi performans gösterebileceğini gösteriyor, ancak şimdiye kadar bu modeller yeniden analiz verilerine dayanıyordu. Modelleri eğitmek için sahadaki gözlemler elzemdi ve teknolojinin senaryodan çıkmaya zorlandığında tahmin yeteneklerinin ne kadar etkileyici olacağı henüz belli değil.