Google, Daha Hızlı ve Daha Doğru Tahminler Sunan Yeni AI Hava Modelini Tanıttı

Kısaca

• WeatherNext 2, geleneksel modellere göre daha sık senaryo güncellemeleri sağlamak için bir dakikadan kısa bir sürede yüzlerce küresel tahmin üretir.
• Google, sistemi zaten Arama, Gemini, Pixel Hava Durumu ve Haritalar'da kullanıyor ve daha geniş bir dağıtım planlanıyor.
• Yeni bir modelleme yaklaşımı olan Fonksiyonel Üretken Ağlar, aşırı rüzgar ve siklon takibi de dahil olmak üzere, önemli ölçümlerde doğruluğu artırdı.

Decrypt'in Sanat, Moda ve Eğlence Merkezi.

SCENE'i Keşfedin

Google DeepMind, geleneksel araçlardan sekiz kat daha hızlı küresel hava tahminleri üretebilen yeni bir AI destekli hava tahmin sistemi tanıttı.

WeatherNext 2 olarak adlandırılan bu sistem, ajansların giderek ısınan iklimin tetiklediği sık doğal afetlerle başa çıkmaya devam ederken, şiddetli koşullara daha hızlı hazırlanmalarına yardımcı olacak bir araç olarak konumlandırılıyor.

Bunu yapmak için, tek bir başlangıç noktasından yüzlerce olası senaryo üretir; her biri, makine öğrenimi ve yapay zeka iş yüklerini hızlandırmak için Google tarafından geliştirilen özel bir çip olan bir Tensor İşleme Birimi üzerinde bir dakikadan kısa bir sürede hesaplanır.

“Kritik kararlar için doğru hava tahminlerine güveniyoruz - tedarik zincirlerinden enerji şebekelerine, mahsul planlamasına kadar,” Google DeepMind araştırma bilimcisi Peter Battaglia X'te yazdı. “Yapay zeka, hava tahmin etme şeklimizi dönüştürüyor.”

Hava her şeyi ve herkesi etkiler. @GoogleResearch ile geliştirdiğimiz en son AI modelimiz, hava durumunu daha iyi tahmin etmemize yardımcı oluyor. ⛅

WeatherNext 2, en ileri sistemimizdir ve daha doğru ve yüksek çözünürlüklü küresel tahminler üretebilmektedir. İşte yapabildikleri - ve neden… pic.twitter.com/yVdFFlAHpE

— Google DeepMind (@GoogleDeepMind) 17 Kasım 2025

<br>

Google ürünleri arasında dağıtım

WeatherNext 2 tahmini, Arama, Gemini, Pixel Hava Durumu ve Google Haritalar Hava Durumu API'sinde zaten çalışıyor ve daha geniş destek daha sonra gelecek.

"HavaTahmini 2 ürün yöneticisi Akib Uddin, “HavaTahmini'ni tahmin sistemimize entegre etmek için Google ekipleriyle çalışıyoruz” dedi. “Arama, Android veya Google Haritalar'da olsanız da hava herkes üzerinde etki yapar ve bu nedenle daha iyi hava tahminleri yaparak herkesin yardımına koşabiliyoruz.”

Geleneksel modeller saatler alabilir, senaryoların ne sıklıkla güncellenebileceğini sınırlayabilir, dedi DeepMind. Gelişmiş yapay zeka kullanarak WeatherNext 2, önceki operasyonel modeli WeatherNext Gen'i geçmeyi başardı, şirket iddia ediyor.

“Geçen yıl yayınladığımız önceki olasılıksal modelden yaklaşık sekiz kat daha hızlı ve çözünürlük açısından altı kat daha büyük,” Battaglia bir açıklamada söyledi. “Bu nedenle altı saatlik adımlar yerine bir saatlik adımlar atıyor. Test ettiğimiz değişkenlerin %99.9'unda önceki hava durumu neslinin performansını aşıyor.”

Pratik anlamda, bu yeni sistemin sıcaklık, rüzgar, nem ve basınç tahminlerini neredeyse her yerde ve 15 günlük süre içinde hemen hemen her noktada daha doğru bir şekilde ürettiği anlamına geliyor.

DeepMind, kazançları, sistemin belirsizliği nasıl temsil ettiğini ve tahmin varyasyonlarını nasıl ürettiğini değiştiren, Fonksiyonel Üretken Ağlar (FGN) konusundaki Haziran ayındaki bir araştırma makalesinde tanımlanan yeni bir modelleme yaklaşımına atfetti.

Yeni bir modelleme yaklaşımı

Google'a göre, FGN yalnızca belirli bir konumda sıcaklık, rüzgar veya nem gibi tek değişkenli tahminler veya “marginal”'lar üzerinde eğitilmiştir.

Buna rağmen, model bu değişkenlerin nasıl etkileşime girdiğini öğrenir ve bu, ona bölgesel sıcaklık olayları ve siklon davranışı gibi daha geniş, birbirine bağlı desenleri tahmin etme yeteneği kazandırır.

Google, FGN'nin aşırı iki metre sıcaklık tahminlerinde GenCast ile eşleştiğini ve değişkene bağlı olarak aşırı on metre rüzgar tahminlerinde onu aştığını söyledi.

Model, aynı zamanda daha uzun vadelerde daha güçlü bir kalibrasyon ve tahminlerin bireysel noktalar yerine daha büyük bölgelerde değerlendirildiğinde daha iyi bir performans sergilediğini gösterdi.

Sürekli Sıralı Olasılık Skoru'nu kullanarak—bir modelin tahmin edilen sonuçlarının tam aralığının ne kadar gerçekte meydana gelenle örtüştüğünü kontrol eden standart bir doğruluk metriği—makale, GenCast ile karşılaştırıldığında ortalama havuzlanmış CRPS için %8.7 ve maksimum havuzlanmış CRPS için %7.5'lik ortalama iyileşmeler rapor etmektedir.

Siklon tahmin performansı

FGN ayrıca tropik siklon tahminlerini geliştirdi.

İklim Yönetimi için Uluslararası En İyi İz Archive'ından alınan tarihsel izlerle karşılaştırıldığında, toplu ortalama tahminler, üç ve beş günlük tahminler arasında yaklaşık 24 saatlik bir önceden bildirme süresi ile konum hatalarını azalttı.

12 saatlik zaman dilimlerinde çalıştırılan bir FGN versiyonu, altı saatlik versiyondan daha yüksek hata gösterdi ancak yine de iki günden daha uzun vadelerde GenCast'ten daha iyi performans sergiledi.

İzleme-olasılık tahminleri, çoğu maliyet-kayıp oranı ve öncelik süresi boyunca daha yüksek Göreli Ekonomik Değer gösterdi.

DeepMind, bu teknoloji ile oluşturulan deneysel kasırga tahmin araçlarının hava durumu ajanslarıyla paylaşıldığını açıkladı.

“Daha doğru tahminler alıyorsunuz ve bunları daha hızlı alıyorsunuz, bu da herkesin doğru kararlar vermesine yardımcı oluyor, özellikle daha fazla aşırı hava durumu görmeye başladığımızda,” dedi Uddin. “Daha iyi hava tahminleri için bir dizi uygulama olduğunu düşünüyorum.”