Yapay zeka, son yıllarda hava durumu tahmininde devrim yaratmış olsa da kasırgaların şiddetindeki ani ve beklenmedik artışları doğru biçimde öngörmede hâlâ ciddi zorluklar yaşıyor. Küresel ölçekde çalışan yapay zeka modellerinin iklim ve hava verilerini öğrenme kapasitesi artarken, bu teknolojinin fırtınaların yerel ölçekteki karmaşık davranışlarını ve kaotik doğasını yakalamada neden yetersiz kaldığı bilim dünyasında giderek daha fazla tartışılıyor.
Bu başarının ardında üç temel etken yatıyor: dev miktarda hava verisi, gelişen yapay zeka modelleri ve şimdiye kadar ulaşılmamış bir hesaplama gücü. Günümüzde küresel ölçekli yapay zeka modelleri, dünyanın en iyi fizik temelli tahmin sistemleriyle yarışabilecek öngörüler üretebiliyor. Ancak mevcut tartışmalar çoğunlukla ya modellere ya da yeni donanımlara odaklanırken, asıl kritik rolü üstlenen veri boyutu sıklıkla göz ardı ediliyor.
Küreselden Yercele Ölçeğe Geçişteki Zorluk
Küresel ölçekte yapay zeka, tüm dünyayı kapsayan onlarca yıllık iklim ve hava kayıtlarından büyük fayda sağladı. Bu veri setleri, atmosferik koşulların zamanla nasıl geliştiğine milyonlarca örnek içeriyor ve yapay zeka modellerinin bir decade öncesinde mümkün olmayacak biçimde örüntüleri öğrenmesini sağlıyor.
Sep. 21, 2026’da Meksika’nın Pasifik kıyısında tropik bir fırtınaandan Sep. 24 itibarıyla güçlü bir Kategori 5 kasırgaya dönüşen Polo, birkaç saat içinde şiddetlendi ve onlarca yılın en güçlü Pasifik fırtınalarından biri haline geldi; rüzgar hızları 180 mil/saat’e ulaştı.
Ani Şiddetlenmenin Toplumsal Maliyeti
Ani şiddetlenmeler tahmincileri sıklıkla sürprizliyor. 2018’de Florida’daki Tyndall Hava Kuvvetleri Üssü ve Mexico Beach’e çarpmadan hemen önce Kategori 5 yıkıcı bir kasırgaya dönüşen Michael buna örnek gösterilebilir. Böyle durumlarda topluluklar tahliye ve hazırlık için yeterli zaman bulamayabiliyor.
Kasırga şiddeti tahminleri küresel hava durumu tahminlerinden farklı biçimde, çoğunlukla yerel ölçekli bir problemdir. Yerel tahminler ise sıklıkla ağır yağmur, takoz hattı (squall line), şiddetli gök gürlemeli fırtınalar veya kasırgalar gibi uç olaylarla ilgilenir.
Bu uç olaylar genellikle kısa sürede gelişir veya hızlı hareket eder. Böyle bir davranışı yapay zeka modellerine kazandırmak, mevcut küresel veri setlerinin sağlayabildiğinden çok daha ayrıntılı veri gerektiriyor.
Eğitim Verisinin Kaynakları ve Sınırları
Bilim insanları kasırga şiddetini tahmin etmek için yapay zeka modellerini eğitirken genellikle iki veri kaynağına dayanır. İlki gözlemlerdir; yağmur, yüzeye yakın sıcaklık, rüzgar hızı ve diğer hava değişkenlerinin istasyonlar, radarlar, mayınlar (buoy) ve uydulardan ölçülmesini içerir.
Bu doğrudan gözlemler ayrıntılı olabilir ancak çoğunlukla kıyıya yakın bölgelerle sınırlıdır ve düzensiz dağılır. Oysa kasırga gelişiminin en önemli aşamalarının çoğu, doğrudan gözlemlerin seyrek olduğu açık denizde gerçekleşir.
Modern uydular açık denizdeki bu açıkların bir kısmını doldurabilir; ancak uydu kapsama alanındaki sınırlar nedeniyle yalnızca yağmurun, yüzey rüzgarlarının veya bulut tepesi sıcaklıklarının bir kısmını tahmin edebilir. Özellikle küresel ölçekteki her kasırganın üç boyutlu yapısını aynı anda taramaz. Günümüzde en iyi gözlem sistemleri bile herhangi bir anda kasırgalara ancak kısmi bir bakış sunabiliyor.
Bilim insanları, uydu verilerini kullanarak 2016’da Florida Panhandle’a yaklaşırken gücünü artıran Matthew Kasırgasının şiddetinin bazı yönlerini haritalandırdı.
NASA’nın Görselleştirme Stüdyosu (Scientific Visualization Studio)
Eğitim verisinin ikinci kaynağı ise hava durumu modeli simülasyonlarıdır. Atmosferik koşulları ve fizik bilgisini birleştirerek atmosferin yüksek çözünürlüklü en üç boyutlu resmini sunar.
Bu yüzden günümüzde kasırga şiddeti tahmini için yapay zeka modelini eğitecek iyi, üç boyutlu bir veri setimiz simply yoktu. Veri kadar başka bir meydan okuma da kaostan geliyor.
Kaos: Çözümün de Ötesi
Veri, yapay zekanın kasırga tahmini için tek sorun değildir. Diyelim ki ileride bilim insanları dünyanın dört bir yanındaki binlerce fırtının tamamını, her saniye ölçerek kaydedebildi. Bu bile yapay zekaya kasırga şiddetini mükemel biçimde tahmin etmeyi sağlamayabilir. Nedeni: kaos. Bir kasırganın başlangıç durumundaki küçük farklar zamanla hızla büyüyebilir.
Bilim insanları ve meslektaşlarıyla yürüttüğü güncel araştırma, kasırgaların yapay zeka modellerinin uzun süreli tahminlerde şiddeti doğru biçimde öngöremesini engelleyebilecek kaostan bir unsur içerebileceğini gösteriyor.
Uygun bir ortama yerleşen tropik bir fırtına, ulaşabileceği maksimum güce doğru şiddetlenir. Bilim insanları bu üst sınıra potansiyel şiddet (potential intensity) diyor ve bunun öncelikle çevreleyen ortam tarafından belirlendiğini belirtiyor. Örneğin sıcak okyanus suları kasırganın şiddetini beslerken, rüzgar kayması (wind shear) fırtının gelişimini yavaşlatabilir. Okyanus sıcaklığı arttıkça, kasırganın potansiyel şiddeti de artar.
Herhangi küçük bozulmalar ayrıca kasırga şiddetinin dalgalanmasına neden olur. Okyanus yüzeyi ne kadar sırsa, dalgalanma o kadar fazla olur.
Bilgisayar simülasyonları, bir kasırganın şiddetini tahmin etmenin tahmini ne kadar uzağa çıkararsa o kadar belirsiz hale geldiğini gösteriyor. Kasırga şiddeti, 33 feet (10 metre) yükseklikteki maksimum rüzgar olarak ölçülür. Görüntüler, aynı Kategori 5 şiddetine sahip olmalarına rağmen iki kasırganın fiziksel görünümünün ne kadar farklılaşabileceğini gösteriyor.
Bilim insanlarının hazırladığı simülasyon görselleri
Son çalışmalar, bu dalgalanmaların tamamen rastlantısal olmadığını, bilimsel olarak kaotik celbe (chaotic attractor) adı verilen bir içine gerçekleştiğini öne sürüyor; yani kasırganın tahmin edilemez biçimde gelişebileceği olası fırtına durumlarının bir kümesidir. Böyle bir kaotik şiddet cebinin varlığı henüz tam olarak kanıtlanmamış olsa da, yapay zeka modellerini kasırga şiddeti tahmini için eğitmede temel bir ikilem sunuyor.
Zıtlıklı Hedefler
Bir yandan bilim insanları yapay zeka modellerinin mümkün olan en doğru tahminleri vermesini istiyor. Bu nedenle eğitim sırasında hedef, bir yapay zeka modeli mümkün olduğunca küçük hataya ulaşana kadar tahmin ile gerçekten yaşanan arasındaki farkı minimize etmek oluyor.
Veri her zaman belli belirsizlikler içerdiğinden, bir yapay zeka modelinin öğrendiği kurallar ancak yaklaşımlıdır. Dolayısıyla kasırga şiddeti tahmininin doğruluğu yalnızca birkaç gün sonra kötüleşecektir.
Daha İyi Tahminlerin Önündeki Yol
Yapay zeka modellerinin kasırga şiddetini tahmin etme meydan okuması, sadece daha fazla veri elde etmek, daha iyi sinir ağları inşa etmek veya daha hızlı bilgisayarlar kullanmakla ilgili değildir. Aynı zamanda kasırga davranışlarını ve şiddetteki kaosun nasıl ortaya çıktığını anlamakla da ilgilidir.
Bunların ikisi de yapay zeka modellerinin tahmin edilebilir ile tahmin edilemez arasındaki farkı öğrenebilip öğrenemeyeceğini belirler. Bu ayrım, yalnızca güncel kasırga şiddeti tahmin doğruluğumuza bir sınır koymakla kalmaz, aynı zamanda olası kasırga şiddetleri ve bunların olasılıklarına odaklanması gereken hava durumu tahmini ve değerlendirmenin nesillerini de belirler; tek bir şiddet sayısı yerine.
