Makine Öğrenmesi Tabanlı Çerçeve İlerlemesiyle Altı Haftalık Hava Tahminleri Geliştirildi
Araştırmacılar, iki ila altı haftalık hava tahminlerini belirgin şekilde iyileştiren makine öğrenmesi destekli olasılıksal bir düzeltme çerçevesi geliştirdi.
İki ila altı hafta sonrasını öngören hava tahminlerinin doğruluğunu artırmak amacıyla, geçmiş tahminler ve gözlemlerle modeli kalibre eden yeni bir olasılıksal düzeltme çerçevesi tanıtıldı.
Altı Haftalık Hava Tahminlerinin Önemi
İki ila altı hafta öncesini kapsayan altı haftalık hava tahminleri, tarımsal planlama, su kaynaklarının yönetimi, afet hazırlıkları ve enerji yönetimi açısından kritik bir öneme sahiptir.
Ancak bu zaman diliminde, özellikle yağış tahminlerinde model hatalarının birikmesi nedeniyle yüksek doğruluk oranına ulaşmak oldukça zor bir süreçtir.
Olasılıksal Düzeltme Çerçevesinin İşleyişi
Bu öngörülebilirlik bariyerini aşmak amacıyla araştırmacılar tarafından geliştirilen olasılıksal düzeltme çerçevesi, geçmiş tahminleri ve hava gözlemlerini kullanarak modelin dağılımını uyarlamalı olarak düzeltmektedir.
Sistem, son hava eğilimlerini dikkate alarak tahminlerin konum, tarih ve çeyreklik değerlerini ayarlamak için birbirini tamamlayan iki makine öğrenmesi modeli barındırmaktadır.
Modellerin Performans Artışı Sağlaması
Debias++ ve Persistence++ adı verilen bu modeller, ECMWF gibi endüstri lideri dinamik topluluklara uygulandığında düşük puanlı hammaddeleri tutarlı biçimde iyileştirmektedir.
Geliştirilen bu yöntem, pozitif yağış becerisini üçe katlamış ve negatif beceriye sahip sıcaklık ile basınç tahminlerini başarılı tahminlere dönüştürmüştür.
Yapay Zeka Modelleriyle Entegrasyon
Olasılıksal düzeltme çerçevesi, standart operasyonel düzeltme protokollerinden daha üstün bir performans sergilemekle kalmamaktadır.
Aynı zamanda ECMWF bünyesindeki AIFS-SUBS gibi son teknoloji yapay zeka altı haftalık tahmin modellerini de güçlendirerek değişkenler ile ön süreler genelindeki ortalama becerisini iki katına çıkarmaktadır.