“100 yıllık hava olayları” denilen sel, fırtınalar ve yangınlar en büyük, en güçlü ve en yıkıcı için yeni standartlar belirlemeye devam ettikçe neredeyse yaygın görünüyor. Ancak hava durumu gerçek bir 100 yıllık olay olarak sınıflandırmak için, herhangi bir yılda sadece% 1’lik bir şans olmalıdır. Sorun şu ki, araştırmacılar havanın mevcut iklime uyup uymadığını veya olasılıklara meydan okumadığını her zaman bilmiyorlar.
Geleneksel hava tahmin modelleri, tipik olarak büyük araştırma kurumlarında yer alan enerji hogging süper bilgisayarlarında çalışır. Son beş yılda yapay zeka, daha ucuz, daha hızlı tahmin için güçlü bir araç olarak ortaya çıktı, ancak AI destekli modellerin çoğu geleceğe sadece 10 gün doğru tahmin edebilir. Yine de, daha uzun menzilli tahminler iklim bilimi ve insanların mevsimlere hazırlanmalarına yardımcı olmak için kritik öneme sahiptir.
Yayınlanan yeni bir çalışmada AGU İlerliyorWashington Üniversitesi araştırmacıları, Dünya’nın mevcut iklimini ve 1000 yıla kadar değişkenliği simüle etmek için AI kullandı. Model tek bir işlemci üzerinde çalışır ve bir tahmin oluşturmak için sadece 12 saat sürer. En son teknoloji ürünü bir süper bilgisayarda, aynı simülasyon yaklaşık 90 gün sürecektir.
Diyerek şöyle devam etti: “Bu kalıcı soruyu cevaplamaya yardımcı olmak için mevcut iklimimizdeki değişkenliği inceleyen bir araç geliştiriyoruz: Belirli bir olay doğal olarak gerçekleşen ya da olmayan bir şey mi?” dedi Dale Durran, UW atmosfer ve iklim bilimi profesörü.
Durran, beş yıldan fazla bir süre önce eski UW lisansüstü öğrencisi Jonathan Weyn Microsoft Research ile ortaklık kurdukları hava tahminine ilk tanıtanlardan biriydi. Durran ayrıca Kaliforniya merkezli Nvidia ile araştırmacı olarak ortak bir pozisyona sahiptir.
“Bir AI modeli eğitmek için tonlarca veri vermelisiniz,” dedi Durran. “Ama mevcut tarihi verileri mevsime göre parçalarsanız, çok fazla parça alamazsınız.”
Günlük hava için en doğru küresel veri kümeleri kabaca 1979’a kadar uzanıyor. O zamanlar ve şimdi arasında günlük hava tahmin modelini eğitmek için kullanılabilecek birçok gün olmasına rağmen, aynı dönem daha az mevsim içeriyor. Bu tarihsel verilerin eksikliği, mevsimsel tahmin için AI kullanmanın engeli olarak algılanmıştır.
Karşıt olarak, Durran Group’un tahminlere son katkısı, Derin Öğrenme Dünya Sistemi Modeli veya Dlesym, bir günlük tahminler için eğitildi, ancak yine de mevsimsel değişkenliğin nasıl yakalanacağını öğrendi.
Model iki sinir ağını birleştiriyor: biri atmosferi ve diğeri, okyanusu temsil ediyor. Geleneksel dünya sistemi modelleri genellikle atmosferik ve okyanus tahminlerine katılırken, araştırmacılar bu yaklaşımı henüz sadece AI tarafından desteklenen modellere dahil etmemişlerdi.
Atmosfer ve iklim bilimi alanında UW lisansüstü öğrencisi Nathaniel Cresswell-Clay, “Bu çerçeveyi AI’ya ilk uygulayan bizdik ve gerçekten iyi çalıştığını öğrendik.” Dedi. Diyerek şöyle devam etti: “Bunu, İklim Biliminde AI’yı çevreleyen mevcut varsayımların çoğuna meydan okuyan bir model olarak sunuyoruz.”
Deniz yüzeyinin sıcaklığı hava sıcaklığından daha yavaş değiştiğinden, okyanus modeli dört günde bir tahminlerini güncellerken, atmosferik model her 12 saatte bir güncellenir. Cresswell-Clay şu anda Dlesym’e bir kara yüzeyi modeli eklemeye çalışıyor.
“Tasarımımız gelecekte Dünya sisteminin diğer bileşenlerini eklemek için kapıyı açıyor,” dedi, özellikle geçmişte modellenmesi zor olan bileşenler, toprak, bitkiler ve atmosfer arasındaki ilişki gibi. AI, bu karmaşık ilişkiyi temsil etmek için bir denklem ortaya koyan araştırmacılar yerine doğrudan verilerden öğrenir.
Araştırmacılar, geçmiş olayların tahminlerini, hepsi süper bilgisayarlarda çalışan birleştirilmiş model aralarında arıtma projesinin altıncı aşamasından veya CMIP6’nın dört önde gelen modeliyle üretilenlerle karşılaştırarak modelin performansını sergiledi. Bu modellerden gelecek iklimin iklim tahminleri, Hükümetler Arası İklim Değişikliği Paneli’nden (IPCC) son raporda kullanılan kilit kaynaklardır.
Dlesym, tropikal siklonları ve Hint yaz musonunun mevsimsel döngüsünü CMIP6 modellerinden daha iyi simüle etti. Orta enlemlerde, Dlesym en azından CMIP6 modellerinin yanı sıra hava paternlerinin aydan aya ve interannual değişkenliğini yakaladı.
Örneğin, model atmosferik “engelleme” olaylarının yanı sıra önde gelen fizik tabanlı modelleri yakaladı. Engelleme, gelen hava sistemlerini saptırarak bölgeleri sıcak ve kuru ve diğerlerinin soğuk veya ıslak tutan atmosferik sırtların oluşumunu ifade eder.
Cresswell-Clay, “Mevcut iklim modellerinin çoğu aslında bu modeli yakalamak için çok iyi bir iş yapmıyor.” Dedi. “Sonuçlarımızın kalitesi modelimizi doğrular ve gelecekteki projeksiyonlarına olan güvenimizi artırır.”
Ne CMIP6 modelleri ne de dlesym% 100 doğru değildir, ancak AI tabanlı yaklaşımın çok daha az güç kullanırken rekabetçi olması önemlidir.
Durran, “Model sadece çok daha düşük bir karbon ayak izine sahip değil, aynı zamanda herkes web sitemizden indirebilir ve süper bilgisayar erişimi olmasa bile karmaşık deneyler yapabilir.” Dedi. Diyerek şöyle devam etti: “Bu, teknolojiyi diğer birçok araştırmacı için erişebiliyor.”
