Derin Öğrenme, Sıcak ve Soğuk Hava Dalgalarını Kesin Bir Şekilde Tahmin Ediyor

Derin Öğrenme, Sıcak ve Soğuk Hava Dalgalarını Kesin Bir Şekilde Tahmin Ediyor

Rice Üniversitesi mühendisleri, mevcut hava koşulları hakkında küçük bilgiler kullanarak sıcak hava dalgaları gibi şiddetli hava olaylarını 5 güne kadar önceden kesin bir şekilde tahmin etmeyi kendi kendine öğreten bir derin öğrenme bilgisayar sistemi geliştirdiler.

İşin garip yanı, Rice’ın kendi kendine öğrenen “kapsül sinir ağları”, bilgisayarların 1950’li yıllarda yaptığı analog bir hava tahmini metodunu kullanmaktadır. Eğitme sırasında, yüzlerce harita çiftini incelemiştir. Her bir harita, 5 km yükseklikteki yüzey sıcaklıkları ve hava basıncını göstermektedir ve her bir çift bu koşulları birkaç gün arayla göstermektedir. Eğitme, şiddetli hava koşulları yaratan senaryoları içermektedir ki bunlar öldürücü sıcak hava dalgaları ve kış fırtınalarına yol açabilecek sıcak ve soğuk hava koşullarıdır. Bir kez eğitilen sistem, önceden görmediği haritaları inceleyebilmekte ve 5 günlük şiddetli hava koşulu tahminlerini %85 doğrulukta yapabilmektedir.

Daha fazla gelişme ile sistem, meteoroloji uzmanları için bir erken uyarı sistemi ve şiddetli hava olaylarına öncülük edebilecek atmosferik koşullar hakkında daha fazla bilgi için bir araç görevi görebilir,” demiştir Amerikan Jeofizik Birliği’nin Advances in Modeling Earth Systems Dergisi’nde online olarak yayınlanan çalışmanın yardımcı yazarı olan Rice Üniversitesi’nden Pedram Hassanzadeh.

Günlük hava tahminlerinin doğruluğu, 1950’li yıllardaki bilgisayar tabanlı sayısal hava tahminlerinin(NWP) icadından beri sürekli olarak gelişmektedir. Fakat atmosferin gelişmiş sayısal modelleri ve daha güçlü bilgisayarlarla bile NWP, 2003 yılında Fransa’da ve 2010 yılında Rusya’da gerçekleşen ölümcül sıcak hava dalgalarını hatasız bir şekilde tahmin edememiştir.

“Belki de daha yüksek çözünürlüklerdeki sayısal hava tahmini modellerinin korunum denklemlerini çözmek için daha hızlı süper bilgisayarlara ihtiyacımız vardır,” demiştir Rice Üniversitesi Yeryüzü, Çevre ve Gezegen Bilimleri ve Makine Mühendisliği Bölümlerinden Hassanzadeh. “Fakat şiddetli hava koşulu modellerinin öncü koşullarını ve fiziğini tam olarak anlamadığımız için, kurulan denklemlerin tam olarak doğru olmaması mümkündür ve ne kadar  programlama gücü katarsak katalım daha iyi sonuçlar üretmeyeceklerdir.”

2017 yılı sonlarında, Hassanzadeh ve çalışma yardımcı yazarı ve lisansüstü öğrencileri Ashesh Chattopadhyay ve Ebrahim Nabizadeh, konuya farklı bir açıdan bakmaya karar vermişlerdir.

“Bu sıcak ve soğuk hava dalgalarını ele aldığınızda, haritalara bakınca jet akımında sıklıkla büyük dalgalar ya da hareket etmeyen büyük yüksek basınç sistemi gibi tuhaf hareketler gözlemlersiniz,” demiştir Hassanzadeh. “Bu bir örüntü tanıma problemi gibi görünüyordu. Bu yüzden şiddetli hava koşulları tahminini yeniden formülize etmeyi denemeye karar verdik.”

Derin öğrenme, bilgisayarların açık bir şekilde programlanmadan insan-gibi kararlar vermek için eğitildiği bir yapay zeka formudur. Derin öğrenmenin dayanak noktası, örüntü tanımada iyi olan ve insansız araçlar, yüz tanıma, konuşma çevriyazımı ve diğer onlarca gelişmenin anahtar teknolojisi olan evrişimsel (convolutional) sinir ağlarıdır.

“Modelimizi ona yeryüzünün 5 km üzerinde birçok basınç modeli göstererek ve her biri için “Bu, Kaliforniya’da sıcak hava dalgasına yol açtı. Bu, bir şeye yol açmadı. Bu, Kuzeydoğu’da soğuk hava dalgasına yol açtı.” şeklinde eğitmeye karar verdik,” demiştir Hassanzadeh. “Houston ya da Dallas gibi spesifik değil de daha çok bölgesel alanlar şeklinde.”

O zaman Hassanzadeh, Chattopadhyay and Nabizadeh o analog tahminin, hava tahminlerinin dayanak noktası olduğuna ve 2. Dünya Savaşı’nın Normandiya Çıkarması’nda önemli bir role bile sahip olduğunun çok az farkındaydı.

“Bilgisayarlardan önce tek yönlü tahmin yapılırdı, o günkü basınç sistemi modeline bakarlar ve sonrasında eski modeller kataloğuna giderek karşılaştırma yaparlar ve bir örneksel, yakın bir model bulmaya çalışırlardı,” demiştir Hassanzadeh.

Derin öğrenmeyi kullanmanın avantajlarından birinin sinir ağlarının neye bakacağının söylenmesine gerek olmadığını belirtmiştir.

“Tahmini belirtileri tamamen anlamamız önemli değildi, çünkü sinir ağları bu bağları kendisi buluyordu,” demiştir Hassanzadeh. “Hangi modellerin şiddetli hava için kritik olduğunu öğrenmiş ve en iyi analoğu bulmak için bunları kullanmıştır.”

Bir kavram kanıtlama çalışması için ekip, gerçekçi bilgisayar simülasyonlarından alınan model verilerini kullanmıştır. Yeni çalışmanın baş yazarı Chattopadhyay, 2017’nin sonlarında çıkış yapan, derin öğrenmenin yeni bir formu olan kapsül sinir ağlarını duyduğu zaman ekip, evrişimsel sinir ağları ile ilgili erken sonuçları bildirmişlerdir.

Evrişimsel sinir ağlarının tersine kapsül sinir ağları, hava modellerinin gelişiminde önemli olan mekânsal ilişkileri ayırt edebilmektedir. “Basınç modellerinin göreli konumları -meteoroloji haritalarında gördüğünüz iniş ve çıkışlar- hava durumunun nasıl geliştiğine karar vermek için anahtar faktörlerdir,” demiştir Hassanzadeh.

Kapsül sinir ağlarının bir başka dikkate değer avantajı ise evrişimsel sinir ağları kadar eğitilme verisi gerektirmemesiydi. Yalnızca 40 yıllık yüksek-kaliteli hava durumu verisi vardır ve Hassanzadeh’nin ekibi kapsül sinir ağlarını gözlemsel veriler üzerinde eğitmek ve tahminlerini NWP modellerinin son teknolojik gelişmeleri ile karşılaştırmak için çalışmaktadır.

“Acil olan amacımız, NWP modellerinin zayıflıklarının olduğu bir konu olan tahmin süremizi 10 günün üzerine çıkarmaktır(10 gün sonrasını tahmin etmektir),” demiştir.

Rice’ın sistemininin işlemsel tahminlere dahil edilebilmesinden önce çok daha fazla çalışma gerekse de Hassanzadeh bunun sıcak hava dalgaları ve diğer şiddetli hava koşulları için tahminler geliştirebileceğini ümit etmektedir.

“Günün sonunda bu sistemin NWP ile yer değiştirmesini önermiyoruz,” demiştir. “Ancak bu sistem NWP için kullanışlı bir rehber olabilir. Bu, NWP kaynaklarını şiddetli hava koşullarının nerede olması muhtemel olduğuna odaklamanıza izin veren bir erken uyarı sistemi için sayısal olarak süper ucuz bir yol sağlamaktadır.”

Hassanzadeh, ekibinin kapsül sinir ağlarının tahminlerini yapmak için hangi modelleri kullandığını bulma konusu ile de ilgilendiğini belirtmiştir.

“Sinir ağlarının ne yaptığını değerlendirmek için açıklanabilir yapay zeka fikirlerini sonuna kadar kullanmak istiyoruz,” demiştir. “Bu, şiddetli hava olaylarına öncülük eden olayları tanımlamamız ve bunların fiziğini anlamamıza yardım edebilir.”

Kaynak: sciencedaily.com

Okumanızı Öneriyoruz

CERN, Parçacık Hızlandırıcı Teknolojisini Kanser Hastalarının Tedavisinde Kullanacak

Avrupa Nükleer Araştırma Merkezi (CERN) ve Lozan Üniversitesi Hastenesi (CHUV), parçacık hızlandırıcı teknolojisini kanser hastalarının …