Microsoft, MIT ve ECMWF iş birliğiyle geliştirilen Probabilistic Bias Correction (PBC) aracı, mevcut hava tahmin modellerindeki sistematik sapmaları makine öğrenimiyle düzeltiyor. Yalnızca CPU'lar üzerinde çalışabilen bu açık kaynaklı yazılım, orta ve uzun vadeli tahminlerin doğruluğunu önemli ölçüde artırıyor.
Microsoft araştırmacısı Lester Mackey ve diğer kurumların katkılarıyla, Microsoft, MIT, Avrupa Orta Vadeli Hava Tahminleri Merkezi (ECMWF) ve diğer kurumlardaki araştırmacılar tarafından ortaklaşa kaleme alınan yeni bir makine öğrenimi aracı, hava tahminlerinin iki ila altı hafta sonrasındaki doğruluk oranını artırmak üzere Nature dergisinde yayınlandı ve aynı anda açık kaynaklı olarak erişime açıldı. Probabilistic Bias Correction (PBC) adı verilen bu hafif yazılım, devasa süper bilgisayarlar veya pahalı grafik işlemciler (GPU) yerine standart işlemciler (CPU) üzerinde çalışabilmesiyle dikkat çekiyor.
Geleneksel fizik tabanlı hava tahmin modelleri ve yeni nesil üretken yapay zekâ sistemleri, genellikle iki haftadan uzun vadeli öngörülerde güvenilirlik kaybediyor. Atmosferdeki veri boşluklarını doldurmak için kullanılan yaklaşımlar zamanla sistematik sapmalara (bias) yol açarken, küresel ısınma gibi iklim değişiklikleri de modelleri geçmiş verilere göre yanıltabiliyor. Microsoft Research New England Kıdemli Baş Araştırmacısı Lester Mackey, PBC yönteminin sıfırdan bağımsız bir hava durumu modeli kurmak yerine, mevcut modellerdeki bu sistematik hataları makine öğrenimi yoluyla düzelttiğini belirtiyor. Mackey, bu yaklaşımın özellikle aşırı hava olaylarına karşı hem kaynak verimliliğini artırma hem de tahminlerin geçerlilik süresini uzatma konusunda umut vadettiğini ifade ediyor.
ECMWF Modellerinde Test Edildi ve Ödül Aldı
Araştırma ekibinin Nature dergisinde yer alan bulgularına göre PBC, ECMWF’nin önde gelen fizik tabanlı modelinin yağış hedeflerinin %98'inde ve sıcaklık hedeflerinin %92'sinde doğruluk oranını artırmayı başardı. Sistem aynı zamanda, ECMWF’nin yeni yapay zekâ tahmin altyapısının doğruluğunu da iki katına çıkardı. Bu performans, makale yayınlanmadan önce ECMWF tarafından düzenlenen AI Weather Quest yarışmasında da ödüle layık görülmüştü.
ECMWF Makine Öğrenimi Stratejik Lideri Matthew Chantry, yayımlanan çalışmanın topluluk yararına geliştirilen yenilikçi fikirler için iyi bir örnek teşkil ettiğini belirtti. Chantry, bu tür fikirleri operasyonel bir sürece dönüştürmenin en zorlu adım olduğunun da altını çizdi.
Gelişmekte Olan Bölgeler İçin Erişilebilir Çözüm
Hava tahmin teknolojileri genellikle devasa bütçeler ve gelişmiş altyapılar gerektirdiği için, ekonomik olarak gelişmekte olan ülkelerdeki meteoroloji ajanslarının erişiminin dışında kalıyordu. Ancak PBC'nin hafif yapısı, bu dengesizliği değiştirmeyi hedefliyor. Makalenin yazarlarından ve kâr amacı gütmeyen Rhiza Research’ün İcra Direktörü Genevieve Flaspohler, bilim insanlarının büyük kaynak havuzlarına ihtiyaç duymadan bu modelleri yerel koşullara göre yapılandırabileceğini vurguluyor.
Şu anda Rhiza Research, Gates Foundation'ın finansal desteğiyle Kenya Meteoroloji Servisi Otoritesi ile iş birliği yaparak, şiddetli yağmurların beklendiği bir El Niño döneminde erken uyarı sistemlerini güçlendirmek amacıyla PBC'yi test ediyor.
Öne Çıkan Doğrulanmış Gerçekler
- Geliştirici ve Yayın: Microsoft, MIT, ECMWF ve diğer araştırma ortakları tarafından geliştirilen PBC makalesi Nature dergisinde yayınlandı. - Donanım Gereksinimi: Yüksek maliyetli GPU kümeleri veya süper bilgisayarlar yerine standart CPU'lar üzerinde çalışabiliyor. - Başarı Oranları: ECMWF'nin fizik tabanlı modelinde yağış hedeflerinin %98'inde, sıcaklık hedeflerinin %92'sinde doğruluğu artırdı ve ECMWF yapay zekâ sisteminin doğruluğunu iki katına çıkardı. - Erişilebilirlik: Araç, kaynak kısıtlı ajansların kullanımına imkan tanımak amacıyla açık kaynaklı yazılım olarak sunuldu.
