Hava tahminini yapmak geniş bir veri toplama ağına dayanır. Yüksek çözünürlüklü uzaktan sensörler eklemek, daha doğru ve hassas hava tahmini için temel oluşturur. Fakat aynı zamanda tüm bu verilerin en etkin şekilde nasıl işleneceği, anlaşılacağı zorluğunu da beraberinde getirir.
Geleneksel olarak, hava tahmini daha doğru tahminleri amaçlayan karmaşık dinamik sayısal modeller geliştirmeye odaklanır. Ancak havanın belirsiz olması,koordinatlar içindeki uyumluluk gibi bazı model dezavantajları nedeniyle, bu yöntem farklı kullanım durumlarının gereksinimlerini karşılamakta başarısız olabilir. Yapay zeka ve veri güdümlü yöntemler bu başarısızlığa çözüm olarak devreye girmiştir.
Yapay zeka, meteoroloji için yeni bir şey değil aslında. Sinir ağlarının tanıtıldığı 80′ li yıllardan beri hava tahmininde kendine yer buldu. Son yıllarda birçok sektörde güç ve ivme kazanan yapay zeka modelleri ile meteorolojik araştırmacılar, bu teknolojiyi uydu veri işleme, yayın, tayfun gibi görülen nadir hava olayları, diğer iş ve çevresel analiz alanlarında uyguluyorlar.
Dünya ve Uzay Bilimleri dergisi, AI teknolojilerini, meteorolojistlerin iş yüklerini azaltmanın, daha doğru ve zamanında tahminler sunmanın anahtarı olarak tanımlar. ABD Ulusal Okyanus ve Atmosfer Dairesi (NOAA) ayrıca AI ve makine öğreniminin dahil edilmesinin fırtına ve kasırga gibi ender gerçekleşen tehlikeli hava olaylarının tahmin yeteneğini önemli ölçüde artırdığını söylüyor.
Dünyanın en büyük şirketleri bu alanda neler yapıyor?
Endüstri öncüsü olan teknoloji devi Google, Aralık 2019’da yağış tahminleri için derin öğrenme modellerinin geliştirilmesi üzerine yeni araştırmalar sundu. Ekip, öngörmeyi görüntüden görüntüye çeviri sorunu olarak ele aldı. Her yerde bulunan UNET evrimsel sinir ağının gücünü kullandı. U-Net, katmanların kodlama aşamasında içinden geçen görüntülerin çözünürlüğünü yinelemeli olarak azalttığı bir ağ mimarisine sahiptir. Kodlama aşaması tarafından oluşturulan görüntünün düşük boyutlu gösterimleri sonraki kod çözme aşamasında daha yüksek çözünürlüklere göre genişletilir. Testlerde, önerilen sistem yaygın olarak kullanılan üç modelden daha iyi performans gösterdi: optik akış, kalıcılık ve NOAA’nın bir saatlik sayısal HRRR yayın tahminleri.
Büyük şirketler de trende ayak uydurmak için ortaklık yapıyor. IBM, 2015 yılında Hava Durumu Şirketini satın aldı. İki şirketin hava durumu verilerindeki teknoloji ve uzmanlık kombinasyonu, dünya genelindeki müşterilere kişiselleştirilmiş, eyleme geçirilebilir öngörüler sunan Atmosferik Tahmin Sistemi’ni oluşturdu. Sistem, makine öğrenimi modellerini kullanarak hava durumu ile ilgili elektrik kesintileri tahminlerini 72 saat önceden içeren çok çeşitli tahmin hizmetleri sunmaktadır. Sistemin, artan çözünürlük ve sık güncellemeleri işlemek için GPU hızlandırmalı sunucularda çalışan ilk operasyonel küresel hava modeli olduğu söyleniyor.
Shenzhen, Çin’in meteoroloji bürosu, şiddetli konveksiyon havasının sık olduğu Guangdong’un zorlu kıyı bölgesinde hava tahminini artırmanın yollarını araştırıyor. Büro, 1-2 haftadan 3 güne veya daha kısa sürede tahmin modellerinin geliştirilmesini, eğitimini ve dağıtımını hızlandırmak için 5G ve AI yeteneğine sahip bir meteorolojik bulut platformu oluşturmak için teknoloji devi Huawei ile çalıştı.
Startup’lar da kendilerini sektörde oyun değiştirici olarak konumlandırıyor. ClimaCell’in patentli MicroWeather motoru, hava durumu tahminindeki doğruluğu artırmak için geçmişe dayalı hava durumu verilerine makine öğrenimi uyguluyor. Şirket son zamanlarda, kablosuz sinyaller, bağlı arabalar, uçaklar, sokak kameraları, dronlar ve diğer şeylerin internet (IoT) cihazlarından oluşan küresel bir ağdan türetilen AI modeli eğitimi için tarihi bir hava durumu veri arşivi başlattı.
