Son yıllarda **aşırı hava olaylarının** tahmin edilebilmesi, giderek daha sık karşılaşılan ve yıkıcı sonuçlar doğuran bu olaylar bakımından kritik bir öneme sahip olmuştur. **Alt dönem iklim tahminleri** – hava durumunu iki ya da daha fazla hafta içerisinde tahmin etmeyi içerir – hava değişimlerine duyarlı sektörlerde proaktif karar verme ve risk yönetimini desteklemektedir.
Bu tahminler, çiftçilerin hangi ürünleri yetiştireceklerini ve kuraklık riski yüksek bölgelerde su kaynaklarını nasıl yöneteceklerini daha iyi belirlemelerine yardımcı olabilir. Enerji şirketleri, enerji arz ve talebini dengeleyebilirken, balıkçılık endüstrisi deniz ısınmalarından kendilerini koruyabilir. Hükümetler ise, kötü hava koşullarına ve kamu sağlığı tehditlerine karşı önceden hazırlık yaparak, yangın söndürme ve ısı riski azaltma altyapılarını geliştirebilirler.
Yapay zeka (YZ) modelleri ile hava durumu ve iklim tahmini yapma çalışmaları son iki yılda önemli bir ivme kazandı ve şimdi operasyonel ortamlarda da kendine yer buluyor. NVIDIA’nın Earth-2 platformu, hem bilimsel hem de ticari topluluklar için performanslı ve ölçeklenebilir bir araçlar yelpazesi sunmaktadır. Bu platform, modellerin yeteneklerini değerlendirmek ve doğrulamak isteyen hava durumu uzmanları için olduğu kadar, farklı kullanım durumları ve veri setleri için modelleri geliştirmek, özelleştirmek ve ölçeklendirmek isteyen YZ/ML uzmanları için de fayda sağlamaktadır.
Yapay Zeka ile Alt Dönem Tahminleri
YZ hava durumu modellerinin önemli avantajlarından biri, geleneksel yöntemlerle mümkün olandan çok daha büyük operasyonel topluluklar oluşturarak, hesaplama maliyetlerini **kat kat azaltma** yeteneğidir. Berkeley Üniversitesinde yapılan bir çalışmada, araştırmacılar Bred Vector/Multi Checkpoint (BVMC) metodolojisi ile iyi kalibre edilmiş binlerce üyeden oluşan topluluklar (“**Huge Ensemble**” ya da HENS) üretmenin etkili bir yolunu gösterdiler. JBA ve AXA gibi işletmeler, sigorta uygulamalarında geri tahminler yapmak için FourCastNet V2 (SFNO) modeli ile bu HENS yaklaşımını kullanmaktadır.
Earth2Studio’nun en son sürümü, Deep Learning Earth System Model (DLESyM) bağlamında yeni bir alt dönemden mevsim tahmin yeteneği tanıtmıştır. Bu model, çok katmanlı bir atmosfer YZ modelini, deniz yüzeyi sıcaklığı evrimini tahmin eden ayrı bir deniz YZ modeli ile birleştiren yalın bir derin öğrenme modelidir.
Olasılık Tahminleri ve Topluluklar
Alt dönem tahminleri, esasen olasılıksaldır ve belirli bir gün için tam hava durumu tahmini sunmaktan çok, mevsimsel koşulların normdan sapma olasılıklarını sağlamaktadır. Bu tahminler, genellikle sıcaklık veya yağış gibi değişkenler için tarihin iklim dağılımının üst üçte biri (normalden yüksek), orta üçte biri (normal) ya da alt üçte birinde (normalden düşük) olma olasılıkları cinsinden ifade edilmektedir.
Bu yeni modelin sağladığı olanaklardan önce, işletmeler HENS yaklaşımını FourCastNet V2 (SFNO) modeli ile genişleterek alt dönem tahminleri yapmışlardır. Irvine Üniversitesi’nde yapılan bir çalışmada, bu modelin Madden-Julian Osilasyonu (MJO) tahmininde **ECMWF tahmin sistemine** eşit derecede başarılı olduğu gösterilmiştir; MJO, atmosferde alt dönem tahmininin **önemli bir kaynağıdır**.
Artık Earth2Studio, HENS-SFNO, DLESyM veya diğer modelleri kullanarak alt dönem tahminleri denemek isteyen kullanıcılar için yeni bir S2S tarifi sunmaktadır. Bu tarif, daha büyük toplulukların ve daha uzun tahmin sürelerinin gereksinimlerini karşılamak için çoklu GPU dağıtık çıkarım desteklemekte ve paralel I/O ile tahmin verilerini verimli bir şekilde kaydetmektedir. Ayrıca, depolama alanı kıtlığında, tahmin çıktılarının yalnızca bir alt kümesini kaydetme seçeneği de bulunmaktadır.
Gelecek Perspektifi
YZ’nin alt dönem tahminlerindeki benimsenmesinin hızlanması, alan uzmanları tarafından bu modellerin ve yeteneklerinin daha sağlam bir şekilde değerlendirilmesini gerektirmektedir. Açık kaynaklı kütüphaneler, YZ konusunda gereken yeteneklerdeki engelleri azaltmakta ve aynı zamanda YZ/ML araştırma topluluğuna model geliştirmeleri için geri bildirim sağlamaktadır.
Avrupa Orta Vadeli Hava Tahmini Merkezi’nin (ECMWF) düzenlediği AI Weather Quest yarışı, toplum katılımını artırmayı ve alt dönem tahminlerini geliştirmeyi hedeflemektedir. NVIDIA mühendisleri, Washington Üniversitesi’ndeki araştırmacılar ile birlikte bu etkinliğe katılmaya hazırlanırken, Earth-2 araçlarının ECMWF tarafından sağlanan araçlarla birleştirilmesi üzerinde çalışılmaktadır. Bu, toplulukların katılmasına olanak tanıyacak ve model değerlendirmelerini hızlandıracaktır.
Genel olarak, büyük S2S topluluk tahminlerinin verimli çıkarımı ve puanlaması, bilimsel sürecin kritik bir parçasıdır. Modellerin becerisini doğru bir şekilde değerlendirmek, çok sayıda tahminin puanlanmasını gerektirir. Earth2Studio, büyük S2S topluluk tahminlerini verimli bir şekilde çalıştırma ve puanlama yeteneğine sahiptir.
**Anahtar Noktalar:** Alt dönem tahminleri, iklimle ilgili birçok sektörde kritik öneme sahiptir. Bu yazıda, **Earth2Studio**’daki yeni fonksiyonların, model değerlendirmeleri ve yapılandırmalarını oluşturma konusunda uzmanların nasıl destek sağlayabileceği vurgulanmıştır.
- DLESyM ile belirleyici mevsim tahmini
- HENS – FourCastNet V2 (SFNO) ile topluluk tahminleri
- DLESyM veya HENS ile S2S toplulukları
- Özel bir DLWP modeli eğitimi
Earth-2 platformu hakkında daha fazla bilgi için bu GTC oturumlarına göz atabilirsiniz. Bu kaynaklar, **AI** ile büyük topluluk tahminleri üretiminde nasıl kullanıldığını daha iyi anlamanızı sağlayacaktır:
