AIFS-CRPS: sürekli sıralı olasılık puanına dayalı bir kayıp fonksiyonu ile eğitilmiş bir model kullanarak topluluk öngörüsü

Neden daha akıllı hava olasılıkları sizin için önemli

Hava tahminine baktığınızda genellikle tek bir öngörü görürsünüz: yağmur veya güneş, sıcak veya soğuk. Oysa atmosfer kaotiktir ve gerçekten önemli olan olasılık aralığıdır — özellikle fırtınalar, sıcak hava dalgaları veya ürünleri, seyahati ve enerji kullanımını etkileyen haftalar süren örüntüler için. Bu makale, sadece yarının havasını tahmin etmekle kalmayıp birçok farklı geleceğin olasılıklarını tahmin eden ve sıklıkla bugünlerin en iyi fizik tabanlı süperbilgisayar modellerinden daha doğru ve verimli olan AIFS‑CRPS adında yeni bir yapay zeka tabanlı tahmin sistemini sunar.

Tek cevaplardan olasılık aralıklarına

Geleneksel hava modelleri atmosferi fizik yasalarını kullanarak biraz farklı başlangıç koşullarıyla birçok kez simüle eder. Birlikte bu “topluluk” tahminleri bir olasılık dağılımı verir: yoğun yağış veya soğuk bir hava dalgası olma olasılığı nedir? Buna karşılık, erken makine öğrenimi hava modelleri tek bir tahmindeki ortalama hatayı minimize edecek şekilde eğitilmişti; bu da onları yoğun fırtınalar gibi küçük, keskin özellikleri düzleştirmeye teşvik ediyordu. Bu modeller sıradan günlerde kayda değer doğruluk gösterebilirdi, ancak belirsizliği temsil etmekte zorlanır ve sıklıkla aşırılıkları bastırırlardı. AIFS‑CRPS, olasılıksal tahminleri doğrudan üreterek bu boşluğu kapatmak üzere tasarlanmıştır; böylece belirsizlik sonradan eklenmek yerine modelin içine yerleştirilir.

Dürüstçe belirsiz olmayı öğrenen bir yapay zeka

AIFS‑CRPS, ECMWF’nin Yapay Zeka Tahmin Sistemi’nin bir topluluk (ensemble) versiyonudur. Tek bir en iyi tahmin geleceğe uymayı öğrenmek yerine, içsel atmosfer temsiline özenle biçimlendirilmiş rastgele gürültü ekleyerek tek bir yapay zeka modelinden birçok makul gelecek üretmeyi öğrenir. Temel yenilik eğitimi yapılan yöntemdir: model, Sürekli Sıralı Olasılık Puanı (CRPS) adlı istatistiksel bir ölçü kullanılarak optimize edilir; bu ölçü, gerçekten olanlara yüksek olasılık atayan tahmin dağılımlarını ödüllendirir ve hem kaçırılan olayları hem de aşırı güveni cezalandırır. Yazarlar, sonlu topluluk boyutuna bağlı önyargıları düzeltirken modern donanımda eğitimi aksatabilecek nümerik patolojilerden kaçınan “neredeyse adil” bir varyantını tanıtırlar.

Dağılmayan, daha keskin ayrıntı

Herhangi bir topluluk sisteminin ana testlerinden biri, tahmin saatlerden günlere uzadıkça gerçekçi değişkenliği koruyup koruyamadığıdır. Yan yana karşılaştırmalarda, standart ortalama-kare-hata (MSE) kaybı ile eğitilmiş daha önceki bir yapay zeka sistemi, öngörü süresi uzadıkça küçük ölçekli yapıyı kademeli olarak kaybetmiş ve haritaların zamanla bulanık görünmesine yol açmıştı. Buna karşılık AIFS‑CRPS, ölçekler boyunca ayrıntı ve enerjiyi korur; referans analizlerde ve gelişmiş fizik tabanlı modellerde görülenlere daha yakın sonuç verir. Yazarlar, modelin çok fazla küçük ölçekli gürültü üretme eğilimini başlangıçta düzeltmek için eğitim sırasında kullanılan referans alanı “kırpma” —bir önceki adımdaki en küçük titreşimleri kaldırma— yöntemiyle ele alırlar; böylece yapay zeka bunları basitçe yükseltmez, ama gerçek küçük ölçekli hava özelliklerini de sönümlendirmez. Bu denge, yoğun fırtınalar ve diğer yüksek etki olaylarını temsil etmek için kritik öneme sahiptir.

Günlerden haftalara kadar en son teknoloji modelleri geride bırakmak

Araştırma ekibi, AIFS‑CRPS’i ECMWF’nin yüksek çözünürlüklü Entegre Tahmin Sistemi (IFS) topluluğuyla karşılaştırır. 15 güne kadar olan tahminlerde, yapay zeka topluluğu yüzeye yakın ve 850 hPa’daki sıcaklıklar, jet akımı seviyesindeki rüzgârlar ve orta troposferik basınç örüntüleri gibi birçok önemli değişken için daha iyi puan alır. Değişkene bağlı olarak, standart olasılıksal ve hata puanlarındaki iyileşmeler sıklıkla yüzde 5–20’ye ulaşır. Yapay zeka topluluğu bazen “aşırı dağılım” gösterir —üye dağılımı ortalama hatanın gerektirdiğinden daha geniştir— ancak bu büyük ölçüde fizik modeline göre ayarlanmış başlangıç koşulu perturbasyonlarının bir yan etkisidir; yapay zekanın çok daha düşük hatası için optimal değildir. İki ila altı haftalık altmevsimsel öngörü zamanlarında, yapay zeka sistemi sadece 72 saate kadar olan tahminlerle eğitilmiş olmasına rağmen, ham tahminler göz önüne alındığında birçok yüzey ve troposferik alanda IFS ile eşleşir veya onu geride bırakır; önyargılar çıkarıldığında ve yalnızca anomali becerisi sayıldığında da rekabetçi kalır.

Tropiklerin yavaş kalp atışını izlemek

Altmevsimsel öngörü için kritik bir test, musonları, fırtınaları ve hatta orta enlemlerdeki havayı etkileyebilen tropik bozulmaların yavaş hareket eden bir örüntüsü olan Madden–Julian Salınımı (MJO)dur. Rüzgâr anomaliye dayalı standart bir indeks kullanarak, yazarlar AIFS‑CRPS’in çok yıllık bir test döneminde IFS topluluğuna kıyasla daha yüksek korelasyonlar ve daha düşük hatalarla MJO tahminleri ürettiğini gösterirler. Önemli olarak, yapay zeka topluluğunun yayılımı tipik tahmin hatasıyla çok yakından eşleşir; bu, iyi kalibre edilmiş bir olasılıksal sistemin ayırt edici özelliğidir. Bir vaka çalışmasında, yapay zeka fizik modelinden daha sadakatli bir şekilde büyük bir MJO olayının büyümesini ve doğuya doğru ilerleyişini yeniden üretir; fizik modeli ise genellikle gücünü hafife alır ve çok çabuk nötr koşullara dönme eğilimindedir.

Günlük hava ve ötesi için bunun anlamı

Uzman olmayanlar için çıkarım şudur: Yapay zeka artık sadece hızlı ve göze hoş gelen hava haritaları sunmaktan fazlasını yapabiliyor. AIFS‑CRPS gibi sistemler farklı sonuçların olasılıklarını nicelendirerek—bir sıcak hava dalgasının devam etme olasılığı, bir fırtına yolunun kayma ihtimali veya birkaç haftalık bir örüntünün ne kadar kararlı olduğu gibi—çoğu zaman bugünlerin en gelişmiş fizik tabanlı modelleri kadar iyi veya daha iyi sonuçlar verebilir ve bunun yanında çok daha düşük hesaplama maliyetiyle çalışır. Stratosfer performansını geliştirmek ve aşırılıklarla nasıl başa çıkılacağını ince ince ayarlamak gibi zorluklar devam etse de, bu çalışma olasılıksal eğitimin yapay zekayı risk farkında hava ve iklim hizmetleri için gerçekten faydalı bir araca dönüştürebileceğini gösterir. Pratikte bu, en çok ihtiyaç duyulduğunda hükümetler, işletmeler ve halk için daha bilgilendirici tahminler anlamına gelir.

Atıf: Lang, S., Alexe, M., Clare, M.C.A. et al. AIFS-CRPS: ensemble forecasting using a model trained with a loss function based on the continuous ranked probability score. npj Artif. Intell. 2, 18 (2026). https://doi.org/10.1038/s44387-026-00073-7

Anahtar kelimeler: Yapay zeka hava tahmini, topluluk tahmini, olasılıksal tahminler, altmevsimsel tahmin, Madden–Julian Salınımı