Google DeepMind ve Google Research tarafından geliştirilen WeatherNext isimli yapay zeka modeli, kasırgaları mevcut sistemlerden çok daha erken ve yüksek doğrulukla tahmin edebildiğini kanıtladı. Nature dergisinde yayımlanan araştırmaya göre, sistem tahmin süresini ortalama bir gün öne çekerek kritik tahliye süreçleri için hayati önem taşıyan ek zaman kazandırıyor.

Kategori 5 Kasırga Tahmininde Yeni Dönem

Sistemin başarısı, Ekim 2025'te Karayip Denizi'nde gelişen ve Jamaika'da yıkımlara yol açan Melissa Kasırgası ile somutlaştı. WeatherNext, fırtınanın karaya vurmasından beş gün önce, sistemin yüzde 80 güven oranıyla Kategori 5 seviyesinde bir kasırgaya dönüşerek Jamaika'ya yöneleceğini öngördü. Bu durum, Ulusal Kasırga Merkezi'nin tarihinde ilk kez bir fırtınanın henüz Kategori 1 aşamasındayken Kategori 5'e ulaşacağının önceden belirlenmesini sağladı.

Geleneksel Modellerin Ötesinde Bir Doğruluk

Araştırmacılar, WeatherNext'in üç günlük tahminlerinin, eski modellerin iki günlük tahminleri kadar isabetli olduğunu belirtiyor. ABD Ulusal Kasırga Merkezi Direktörü Mike Brennan, tahliyelerin organize edilmesi ve kaynakların yerleştirilmesi gibi zamanla yarışılan işlemlerde birkaç saatin bile fark yaratabileceğini vurguladı. Geleneksel yöntemlerle tahmin süresini bir gün öne çekmenin normalde on yıllık bir çalışma gerektirdiği ifade edildi.

Hava Durumu ve Kasırga Verilerinin Kombinasyonu

Yapay zekanın aşmakta zorlandığı nadir uç olaylar, genel hava durumu verileri ile kasırga verilerinin birlikte eğitilmesiyle çözüldü. Sistem, hem küresel ölçekteki soğuk cepheler ve rüzgarlar gibi genel yön belirleyici verileri hem de yerel atmosferik ve okyanus koşulları gibi yoğunluk belirleyici detayları analiz edebiliyor. Modelin, geleneksel sistemlerin ihtiyaç duyduğu yüksek çözünürlüklü atmosferik verilerden daha düşük çözünürlüklü verilerle bu sonuçlara ulaşması bilim insanlarını şaşırttı.

Ne anlama geliyor?

Hava tahmini sistemleri genellikle küresel atmosferik hareketleri izleyen geniş ölçekli verilerle çalışır. Ancak bir fırtınanın sadece nereye gideceğini değil, ne kadar güçleneceğini anlamak için yerel deniz sıcaklıkları ve hava basıncı gibi çok daha küçük ölçekli bilgilerin işlenmesi gerekir. Mevcut mekanizmalar bu iki farklı ölçekteki veriyi aynı anda yüksek doğrulukla sentezlemekte zorlandığı için şiddet tahminlerinde sapmalar yaşanır.

Geliştirilen yeni yöntem, büyük veri setlerini kullanarak kalıpları öğrenen makine öğrenmesi prensibiyle çalışır. Bu sayede, geleneksel fizik tabanlı modellerin hesaplama süresi ve veri gereksinimi nedeniyle yapamadığı hızlı analizleri gerçekleştirebilir. Sonuç olarak, yerel yönetimlerin ve ekiplerin hazırlık süresi artar, tahliye planları daha erken devreye alınır ve can kaybı riski azaltılmış olur.