Microsoft, uzun vadeli hava tahminlerini iyileştiren açık kaynaklı bir makine öğrenimi aracı sundu

Microsoft Research New England'dan senior principal researcher Lester Mackey ve ekibi, geleneksel fizik‑temelli hava modelleri ile yeni nesil yapay zeka modellerinin iki haftadan uzun vadeli tahminlerde güvenilirliğinin düştüğünü belirtti. Bu sorunun temelinde, seyrek gözlem istasyonları ve karmaşık atmosferik süreçler nedeniyle modellerin veri boşluklarını sistematik bir yanlılıkla doldurması yer alıyor. Mackey, bu yanlılığı tespit edip düzelten bir makine öğrenimi çerçevesi geliştirdiklerini ve bunun sadece CPU'larda çalışabildiğini vurguladı.

Araç, "Probabilistic Bias Correction" (PBC) adıyla anılıyor ve mevcut hava tahmin modellerine ek bir katman olarak entegre ediliyor. PBC, tarihsel veri setlerindeki iklim değişikliği etkilerini de hesaba katarak, örneğin geçmiş kayıtların daha soğuk bir iklimi yansıtması nedeniyle ortaya çıkan sıcaklık yanlılığını düzeltiyor. Bu sayede, modelin gelecekteki sıcaklık tahminleri güncel iklim koşullarıyla daha uyumlu hale geliyor.

Araştırmacılar, PBC'nin Avrupa Orta Menzilli Hava Tahmin Merkezi (ECMWF) tarafından geliştirilen lider fizik‑temelli modelde yağış hedeflerinin %98'inde ve sıcaklık hedeflerinin %92'sinde doğruluk artışı sağladığını raporladı. Ayrıca, ECMWF'nin yeni AI tahmin sisteminde doğruluk iki katına çıktı. Bu sonuçlar, Nature dergisinde yayımlanan makalede detaylandırıldı ve ECMWF'nin AI Weather Quest yarışmasında PBC'ye ödül vermesiyle de teyit edildi.

PBC'nin en büyük avantajı, düşük donanım gereksinimi sayesinde kaynak sıkıntısı çeken meteoroloji kurumlarının da kolayca benimseyebilmesi. Kenya Meteorological Service Authority gibi gelişmekte olan ülkeler, Gates Foundation desteğiyle bu yöntemi erken uyarı sistemlerine entegre etmeyi planlıyor. Araç, açık kaynak kodlu olduğu için topluluk tarafından geliştirilebilir ve bölgesel veri setlerine göre özelleştirilebilir.