Artan küresel elektrik talebi, geleneksel enerji kaynaklarının sürdürülebilirliğini zorlaştırıyor. Enerji sağlayıcıları, fosil yakıtlara bağlılığı azaltmak ve istikrarlı bir enerji şebekesi sağlamak için baskı altında kalıyor. Bu bağlamda, güneş enerjisi, en bol ve temiz enerji kaynaklarından biri olarak ön plana çıkıyor. Ancak, güneş enerjisinin etkili bir şekilde kullanılması, yüzey güneş ışınımı (SSI) tahminlerinin kesin ve güvenilir bir şekilde yapılmasını gerektiriyor.
Doğru SSI tahminleri, elektriğin üretilmesi ile tüketim ihtiyaçlarının uyumlu hale getirilmesine yardımcı olur, özellikle yüksek talep dönemlerinde. Geleneksel yöntemler, sayısal hava tahmin (NWP) modelleri gibi, önemli ölçüde pahalıdır ve tahmin üretmek için saatler alır. Hızlı sonuçlar veren şimdi tahmin (nowcasting) modelleri, örneğin optik akışa dayalı olanlar, gerçek zamanlı ölçümlere (uydu görüntüleri gibi) bağımlı oldukları için uzun vadeli uyumlu tahminler sağlamakta sınırlamaları vardır.
NVIDIA, İsviçre ETH Zurich İklim ve Atmosfer Bilimleri Enstitüsü ile iş birliği yaparak yeni bir SSI modeli geliştirmiştir. Bu yaklaşım, geleneksel yöntemlere kıyasla ölçeklenebilir ve sağlıklı bir model oluşturmak için NWP ile yapay zeka (AI) alanındaki gelişmeleri birleştiriyor. Detaylı bilgi için Küresel Ölçekte Veri Tabanlı Yüzey Güneş Işınımı Tahmini Yapan Sinir Operatörleri başlıklı makaleye göz atabilirsiniz.
Güneş Işınımı Tahmininde NVIDIA’nın İnovasyonu
NVIDIA’nın FourCastNet SFNO tahmin modeli ile bu yeni SSI modeli birleştirildiğinde, uydu görüntülerine ihtiyaç duymadan birkaç gün boyunca global ölçekte güneş ışınımı öngörülebilir. Bu yenilikler, iklim dijital ikizleri oluşturmaya yönelik tam yığın bir platform olan NVIDIA Earth-2 sayesinde mümkün olmuştur. Earth-2, yeni geliştirilen SSI modeli gibi özel modellerle sorunsuz bir şekilde entegre olabilen bir güneş ışınımı tahmin hattı kurmak için gerekli araçları sağlar.
Bu entegre yaklaşım, iklim biliminin, yenilenebilir enerjinin ve hava durumuna bağlı endüstrilerin gereksinimleri için kritik öneme sahip, yüksek çözünürlüklü, gerçek zamanlı tahminlerin kolayca üretilmesini sağlar.
NVIDIA AI Earth-2’nin Güneş Işınımı Tahmini İçin Tasarımı
Earth-2 platformu, NVIDIA’nın hızlandırılmış hesaplama yeteneklerinden yararlanarak hızlı ve doğru hava durumu ve iklim fiziği modellemeleri yapmayı sağlar. Ayrıca, tahmin, aşağı ölçekleme, arazileme, ve diğer uygulamalar için AI modellerinin eğitimi ve çıkarsama araçları sunar. Kullanıcılar, ileri düzey görselleştirme ve işlem sonrası araçlar aracılığıyla hava durumu ve iklim verileriyle etkileşim kurabilirler.
NVIDIA Blueprints, temel AI kullanım durumları için referans iş akışlarıdır. Şekil 2, güneş ışınımı tahmini için NVIDIA AI Earth-2 tasarımını gösterir. Tasarım, 
zamanındaki atmosferik durumu (yani IFS analiz verileri) alarak başlar. Bu model, 
zamanda atmosferik değişkenlerin tahminlerini üretir.
Özel AI Hava Durumu Tanımsal Modellerinin Eğitimi
NVIDIA Modulus, fiziksel ML modellerinin eğitimi için açık kaynaklı bir çerçevedir. Orta-uzun vadeli hava tahmini için, Modulus FourCastNet, SFNO ve diğer modeller gibi çeşitli örnekleri içerir. Eğitim işlemini kolaylaştırmak için, Modulus, ERA5 gibi veri setleri üzerinde eğitim yapmayı sağlayan hatlar sunar. Detaylar için, NVIDIA/modulus GitHub sayfasına bakabilirsiniz.
Earth-2 kullanıcıları, Modulus kullanarak tahmin modelinin çıktısını deneysel bir tanımsal model üzerine eğitebilirler. Veri Tabanlı Yüzey Güneş Işınımı Tahmini Yapma Modeli, Modulus ile eğitilen geliştirilmiş bir tanımsal modeldir ve Adaptif Fourier Sinir Operatörleri (AFNO) kullanarak, tüm dünya için 6 saatlik SSI tahminleri yapabilmesini sağlamaktadır.
Şekil 3, SSI tanımsal modelinin eğitimine yönelik Modulus eğitim hattını göstermektedir. Giriş olarak ERA5 Reanaliz atmosfer verileri kullanılır ve model, atmosferik değişkenleri yeni hedef değişkene (SSI) dönüştürmeyi öğrenir. Toprak gerçekliği olarak SSI alanları ERA5 veya daha yüksek doğruluk sunan diğer veri setlerinden edinilebilir.
NVIDIA Earth2Studio ile Güneş Işınımı Çıkarımını Basitleştirme
Özel bir model eğitildikten sonra, onu NVIDIA Earth2Studio içinde kullanmanın en kolay yolu, hava durumu modeli çıkarımını sağlamak için tasarlanmış bir Python kütüphanesi olan NVIDIA Earth2Studio’yu kullanmaktır. Earth2Studio, hem deterministik hem de olasılıcı hava tahminleri için kapsamlı yapı taşları ve planlar sunar.
Earth2Studio’nun belirgin avantajlarından biri, kullanıcıların NVIDIA GPU Cloud (NGC) üzerinde bulunan çeşitli önceden eğitilmiş modeller arasından seçim yapabilmesidir. Bu modeller, anında çıkarım için kolayca dağıtılabilir. Kullanıcılar, kendi özel modellerini de bu çerçeveye entegre edebilirler.
Earth-2 sayesinde, kullanıcılar çok sayıda veri kaynağını, ayrıca NGC model kaydedicisinde bulunan geniş bir model yelpazesinden seçebilir. Farklı bileşenler, minimum kod değişiklikleri ile akışa sorunsuz bir şekilde entegre edilir.
Earth2Studio Kullanarak Hava Tahmini Koşma
Aşağıdaki kod örneği, Şekil 2’deki planı kullanarak SSI tahmini yapmak için önceden oluşturulmuş NVIDIA modellerini kullanmaktadır. Gerekli veri kaynakları (IFS), IO işlemleri (ZarrBackend) ve model(ler) (FourCastNet SFNO, SolarRadiationAFNO) NGC’den yüklenir. Bu aşamada, kullanıcı kendi özel modelini belirtebilir; örneğin, Modulus’ta eğitilmiş AFNO modeli.
from earth2studio.data import IFS
from earth2studio.io import ZarrBackend
from earth2studio.models.px import SFNO
from earth2studio.models.dx import SolarRadiationAFNO
# SFNO model paketini, NGC'den modül ağırlıklarını yükle
model = SFNO.load_model(SFNO.load_default_package())
# Güneş Işınımı model paketini, NGC'den modül ağırlıklarını yükle
diagnostic_model = SolarRadiationAFNO.load_model(SolarRadiationAFNO.load_default_package())
# GFS analizini veri kaynağı olarak kullan
data = GFS()
# Çıktıları depolamak için Zarr arşivi kullan
io = ZarrBackend(file_name="solar_irradiance_prediction.zarr")
nsteps = 8 # 6 saatlik adım sayısı
# SSI global tahminini çalıştır
io = run.diagnostic(
["2024-06-01"], # Tahmini 01 Haziran 2024, 00:00 UTC'de başlat
nsteps,
prognostic_model,
diagnostic_model,
data,
io
)
Earth2Studio, açık kaynaklı olup, bilimsel araştırma topluluğunun hava durumu ve iklim için AI modellerini keşfetmesine ve deney yapmasına olanak tanır. Ayrıca, kurumsal geliştiriciler, uygulamalar geliştirirken NVIDIA NIM mikro hizmetleri ve belirli tanımsal modeller (önceki örnekte kullanılan gibi) ile kurumsal destek alabilirler.
Geleceği Görüntülemek
Earth-2 platformu, NVIDIA Omniverse üzerinden görselleştirme hatları sunar. Bu, farklı uygulamalar arasında birlikte çalışmayı kolaylaştıran ve geliştiricilerin ve tasarımcıların sorunsuz bir şekilde iş birliği yapabilecekleri bir 3D geliştirme platformudur. NVIDIA RTX gerçek zamanlı renderleme teknolojisi yardımıyla, yüksek çözünürlüklü, etkileşimli görselleştirmeler oluşturmak mümkündür.
Earth-2 platformu ile bu imkanları kullanarak, dünyanın ve atmosferin etkileşimli, detaylı temsilini inşa edebilirsiniz. Şekil 5, NVIDIA Omniverse kullanılarak oluşturulmuş 7 günlük SSI tahminini göstermektedir. Yüksek ışınım, uydu bazlı bir görüntü üzerine yerleştirilmiş parlak bir renk ile gösterilmektedir. Bu, yüksek kalite renderlama için referans hatları oluşturma açısından nelerin mümkün olduğunu ortaya koymaktadır.
NVIDIA Earth-2 ile Başlayın
NVIDIA Earth-2, hava durumu ve iklim simülasyon modellerinin hızlandırılmış eğitimi ve çıkarsaması için bir platformdur. AI hava durumu modellerini kullanmak için gerekli araçlar ve planlar sağlar ve yeni geliştirilen modeli çıkarım hattına entegre eder. Earth-2 platformunun ana bileşenleri, model eğitimi için NVIDIA Modulus ve model çıkarımı için Earth2Studiodur. Her ikisi de geniş veri kaynakları, mimariler ve önceden eğitilmiş modeller arasından seçim yapmanıza olanak tanır.
Modulus ile başlamanız için, ortamınızı hızlıca kurmak üzere Modulus başlangıç kılavuzuna göz atabilirsiniz. Modelinizi eğitmek için, NVIDIA/modulus‘da bazı örneklere ulaşabilirsiniz.
Earth2Studio ile başlamanız için, Python paketini, Earth2Studio Kurulum Kılavuzunu takip ederek kurabilirsiniz. İlk hava tahmininizi çalıştırmak için ise NVIDIA/earth2studio GitHub eğitimlerine başvurabilirsiniz.
