Seyrek veri yöntemi, deniz yüzeyi sıcaklıklarını geleneksel yaklaşıma göre %40 daha doğru tahmin ediyor

Araştırmacılar, seyrek verilerden deniz yüzeyi sıcaklıklarını tahmin etmek için, yaygın olarak kullanılan diğer hesaplama yöntemlerinden önemli ölçüde daha doğru ve en iyi performans gösteren yapay zeka modelinden biraz daha doğru olan ve eğitim için çok az zaman harcayan bir yöntem geliştirdiler. Çalışmanın hem kısa vadeli hava tahminleri hem de uzun vadeli iklim tahminleri için sonuçları var.

North Carolina Eyalet Üniversitesi’nde matematik profesörü ve araştırmanın ilgili yazarı Mohammad Farazmand, “Deniz yüzeyi sıcaklıkları (SST), deniz ekosistemleri ve iklimden hava durumu tahminlerine kadar her şeyi anlamada önemli bir faktördür, ancak bu verileri toplama yeteneğimizde sınırlamalar vardır, bu nedenle genellikle seyrek veya sınırlı verilere sahibiz” diyor.

SST verileri şamandıralar ve uydular gibi kaynaklardan toplanır ancak her yöntemin sınırlamaları vardır. Şamandıralar daha doğrudur ancak sayıları sınırlıdır; uydular ise daha fazla alanı kaplar, ancak atmosferik koşullar bunların doğruluğunu etkileyebilir. Bu nedenle oşinograflar, deniz yüzeyi sıcaklıklarına ilişkin en doğru tahminleri elde etmek için karmaşık matematiksel modeller kullanıyor.

Farazmand, “Tarihsel olarak, Ulusal Okyanus ve Atmosfer İdaresi (NOAA) gibi federal kurumlar, bu sıcaklıkları seyrek verilerden hesaplamak için karmaşık diferansiyel denklemlerin bir kombinasyonunu kullanmıştır” diyor.

“Son zamanlarda bazı yapay zeka veya makine öğrenimi modelleri geliştirildi, ancak bunlar hem hesaplama açısından hem de onları eğitmek için gereken süre açısından pahalı. Yöntemimizin Ayrık Deneysel İnterpolasyon Yöntemi (DEIM) ve bazı yeni yapay zeka modelleri gibi farklı hesaplama yöntemleriyle karşılaştırıldığında nasıl bir performans sergilediğini görmek istedik.”

Eksik veriler için geçici çözüm

DEIM yalnızca karmaşık matematiksel modellere dayanmaz. Bunun yerine, tahmin etmeye çalıştığınız spesifik alan (bu durumda SST) hakkındaki bilgileri kodlayan bir temeli veya kalıp kombinasyonunu belirtir. Ancak DEIM seyrek verilerle iyi çalışmaz.

Farazmand ve ekibi yeni bir yöntem geliştirdi: Seyrek Ayrık Deneysel İnterpolasyon Yöntemi (S-DEIM). Eksik veya seyrek verileri telafi etmek için S-DEIM, kapalı formlu bir matematiksel formül bulunmayan çekirdek vektörünü tahmin etmek için geçmiş verileri kullanır.

Ekip, 30 yıllık NOAA verilerini içeren bir veri kümesi kullanarak S-DEIM yöntemini hem DEIM hem de en yüksek performanslı yapay zeka modeli olan evrişimli sinir ağı (CNN) ile karşılaştırdı. Son yılın verilerini modellerden sakladılar ve onlardan o son yılın SST’lerinin ne olacağını tahmin etmelerini istediler. Daha sonra modellerin tahminlerini geçmiş verilerle karşılaştırdılar.

Daha hızlı eğitim, daha iyi doğruluk

S-DEIM, DEIM’den %40, CNN’den ise %2 daha doğruydu. Ek olarak, S-DEIM modelinin eğitimi yalnızca bir dakika sürerken, CNN için bu süre 1,5 saatti.

Araştırmacılar S-DEIM yönteminin doğruluğunu geliştirmeye devam etmeyi umuyorlar.

Farazmand, “Bu çalışma, S-DEIM’in eğitim ve hesaplama süresini azaltırken doğru sonuçlar sağlamak için seyrek verileri kullanma becerisine sahip olduğunu gösteriyor” diyor.

Çalışma şu şekilde görünüyor: Jeofizik Araştırma Dergisi: Makine Öğrenimi ve Hesaplama ve lisans öğrencilerine yönelik bir araştırma deneyiminin parçasıydı. Katılımcılar ve ortak yazarlar şunlardır: Colorado Boulder Üniversitesi’nden Cassidy All; Mississippi Eyalet Üniversitesi’nden Kevin Ho; Bard Koleji’nden Maya Magnuski; ve Indiana Üniversitesi’nden Christopher Nicolaides. NC State’de yüksek lisans öğrencisi olan Louisa Ebby de çalışmaya katkıda bulundu.