Kasırgayı Bir Hafta Önceden Gören Yapay Zekâ: DeepMind'ın Hava Tahmin Devrimi

Karaya doğru ilerleyen bir kasırgada zaman her şeydir: bir günlük erken uyarı yolları boşaltır, hastaneleri tahliye eder, barınakları açar. Güneşin bin yıl sonraki doğuş saniyesini hesaplayabiliyoruz, ama gelecek haftanın havasını kesin olarak bilmek fiziğin en inatçı problemi olmaya devam ediyor. Bugünkü hava basıncındaki küçücük bir oynamanın bir hafta sonra büyük bir fırtınaya dönüşebilmesi, meşhur kelebek etkisinin ta kendisi.

Google DeepMind bu probleme yıllardır kafa yoruyor: 2020'de uydu görüntüleriyle kısa vadeli yağış tahmini yapan modellerle başlayan yolculuk, bugün tüm gezegene saat saat tahmin üreten WeatherNext'e vardı. Podcast'in konuğu, DeepMind'da araştırma direktörü Peter Battaglia. Sunucu Hannah Fry söze somut bir örnekle giriyor: Melissa Kasırgası.

Melissa Ekim 2025'te Atlantik'te küçücük bir bozukluk olarak doğdu ve unusually küçük kaldı; sıcak deniz suyundan enerji toplayarak büyüyen bu tür sistemler en tehlikeli fırtınalara dönüşebilir. Karaya varmasından yaklaşık bir hafta önce DeepMind modeli bu sistemin kategori 5'e tırmanacağını göstermeye başladı. O sırada ortada tropik fırtına bile yoktu, muhtemelen yalnızca tropik depresyon seviyesinde bir oluşum vardı. X'teki meteoroloji topluluğu modelin ısrarını ilk fark edenler oldu.

O günlerde aynı bölgeye bakan başka simülasyonlar da vardı; bazıları şiddetlenme görüyordu ama aynı güven, aynı güzergâh ve aynı şiddet üçlüsünü veren yoktu. Cumartesi günü Ulusal Kasırga Merkezi, sistem henüz kategori 1 bile değilken kategori 5 ilanını yaptı: pazartesi kategori 5'e ulaşılacak, salı karaya varılacaktı. Bu, yerleşimlere yaklaşık üç günlük hazırlık süresi kazandırdı.

Bilanço ağır oldu: Melissa 28 Ekim'de Jamaika'nın batısına saatte 185 mil hızla karaya vardı, 45 doğrulanmış can kaybı yaşandı. Videoda ilk belirlemelere dayanarak daha yüksek bir sayı anılıyor, bağımsız raporlar Jamaika'da 45 kayıp ve kayıplar olduğunu yazdı. Merkezin aktardığına göre bu, tarihlerinde bu kadar düşük bir seviyeden verdikleri ilk kategori-5 öngörüsüydü. Tahminciler modelin yüzde 80'e varan güven skorlarını izleyerek kendi güvenlerini artırmışlardı.

Fry burada kritik soruyu soruyor: yapay zekâ modelinin uzak vadeli kasırga tahmininde yapısal bir üstünlüğü mü var, yoksa yalnızca farklı bir şey yaptığı için mi farklı sonuç alıyor? Battaglia'nın yanıtı yalın: geçmişte işleyen fizik kuralları gelecekte de işler. Geçmişe dair yeterince kanıt ve girdilerle gelecek arasındaki ince yapıyı okuyabilen modellerle, tahmin doğal olarak isabetli olur. İşi yapan sihir değil, veri titizliği ve modelleme kalitesi.

Bu vaka tekil bir başarı hikâyesi olarak kalmadı; ekip siklon tahminini ayrı bir ürüne dönüştürdü. Dört yıl boyunca tüm gezegenin yüzey ve atmosfer havasını 10-15 günlük ufukla tahmin eden global modeller olgunlaştı, ardından iki yıl boyunca özel bir ekip yalnızca tropikal siklonlara odaklandı. Akademisyenler ve operasyonel merkezlerle ortaklıklar kuruldu, aylarca güvenilir test kullanıcılarıyla denendi. Deneysel değerlendirmelerde yaklaşık bir günlük doğruluk kazancı görüldü: iki günlük bir tahminin isabetini üç güne taşımak gibi. Canlı tahminler Weather Lab sitesinde, sıcaklık ve rüzgâr gibi değişkenlerle birlikte yayımlanıyor; dileyen WeatherNext akışından, dileyen telefonundaki hava uygulamasından aynı modele dokunuyor.

Tahmin işi neden giderek acilleşiyor, sorusunun yanıtı fizikte: hava enerjidir. Güneş elektromanyetik enerji, rüzgar mekanik enerji, sıcaklık kinetik enerji taşır; ısınan gezegen daha fazla enerji demektir, daha fazla enerji daha yoğun hava demektir. Son 10-15 yılın en sıcak yıllar listesini doldurması, orman yangınları ve sellerle birlikte okunuyor.

Peki bunca bilimsel güce rağmen çarşamba gününün yağmuru neden hâlâ muamma? Çünkü küçük şeyler büyük sonuç doğuruyor ve her kelebeği gözleyemiyoruz. Gözlemdeki sınır, tahmindeki sınıra dönüşüyor. Ama umutsuz bir tablo değil bu: önemli süreçler geride küçük izler, istatistiksel kırıntılar bırakıyor. Battaglia'nın gölet benzetmesi akılda kalıcı: suya düşen küçük bir taşın açtığı halka, kıyaya varacak büyük dalganın habercisidir; makine öğrenmesi bu halkaları okuma işidir.

Bir yapay zekâ laboratuvarı neden hava işine girer? Battaglia iki sebep sayıyor. Birincisi misyon: hava tahmini bilimin en eski tahmin problemi ve her gün herkesin hayatını etkiliyor; soyut değil, evrensel. İkincisi kişisel ve teknik: ekip yıllarca akışkan simülasyonu için makine öğrenmesi çalışmıştı, hava da dev bir akışkan problemiydi. Üstelik Avrupa Orta Vadeli Hava Tahminleri Merkezi'nin on yıllara yayılan hazır kayıtları vardı; bu, makine öğrenmesi için biçilmiş kaftandı.

Klasik yöntemi de Battaglia anlatıyor: sayısal hava tahmini, güncel hava kestirimini alan, akışkan hareket denklemlerinin yaklaşıklığıyla birkaç saat sonrasını hesaplayıp çıktıyı geri besleyen bir süperbilgisayar döngüsü. Kelebek etkisi ve ölçekler arası etkileşim yüzünden denklemler tam çözülemiyor; bunun yerine kaba, bulanık ölçekte yaklaşıklıklar kullanılıyor. Yine de bu, on yılların bilim-mühendislik zaferi: bir-iki günlük ufuk iki haftaya çıktı.

Yapay zekânın yaptığı ise kavram olarak tanıdık: geçmiş havanın zaman içinde nasıl aktığına bakıp istatistiksel örüntüleri öğrenmek, sonra geleceğe uzatmak. Battaglia bunu sayı dizisine çizgi uydurmaya benzetiyor, yalnızca çizgi çok karmaşık, veri çok büyük. Bu yolculuk üç fazdan geçti: önce makine öğrenmesi sayısal modellere yama oldu, sonra bölgesel görüntü modelleri geldi, üçüncü fazda tüm gezegeni simüle eden modeller doğdu. GraphCast bu üçüncü fazın öncülerinden: gezegenin tüm hava durumunu alıp on güne kadar tahmin üretiyor.

GraphCast'in mekaniği zarif: model gezegenin tüm hava durumunu alıyor, her yerde aynı öğrenilmiş yerel işlemi uyguluyor; bu, fiziğin her yerde aynı olduğu gerçeğini yansıtıyor. Sonra bu bilgiyi küresel bir temsilde birleştirip yeniden yerele, mesela Londra'ya indiriyor. Yüzlerce kilometreye yayılan bir kasırganın batı yakası, doğu yakasının geleceği hakkında çok şey söyler; model kasırgayı tek temsilde gördüğü için bu bilgiyi kullanabiliyor. Klasik tahmin yerelde kalırken yapay zekâ büyük ölçeği de okuyor; farkın kaynağı büyük ölçüde bu.

Sonra tahminler olasılıksal hale geldi. Deterministik model girdiye tek yanıt verir; olasılıksal model yüzlerce senaryo üretir, muhtemel geleceklerin dağılımını gösterir. Aşırı olaylarda bu hayatidir: gerçekleşme ihtimali yüzde 5-10 olan bir senaryoya bile hazırlanmak gerekir. Televizyondaki kasırga konisi ve spagetti grafikleri bu fikrin görsel dilidir. GraphCast'ten sonra 2023 civarında gelen GenCast ortalamayı değil senaryo çeşitliliğini hedefledi; aşırı olay tahmininde çıtayı burası yükseltti.

Bu çeşitlilik iki teknikle üretiliyor. Birincisi video üretiminden tanıdık difüzyon modelleri: çok gürültülü bir görüntüden hava görüntüsüne inerken her farklı başlangıç biraz farklı bir senaryoya varıyor. İkincisi ekibin icadı fonksiyonel üretici ağlar: ağın ağırlıklarını hafifçe oynatıp yüzlerce farklı girdi senaryosu deniyor. Battaglia'nın deyişiyle her deneme "ya kelebek şurada olsaydı" sorusunu soruyor; yüzlerce deneme sonunda geleceğin en muhtemel hali beliriyor. Melissa örneğinde bütün çizgiler üst üste binince modelin güveni, dağılınca alçakgönüllülüğü okunuyor.

WeatherNext 3 ise değer zincirini baştan kuruyor. Eskiden ham uydu verisi alınıp güncel hava kestirimi çıkarılıyor, operasyonel model çalışıyor, sonra uygulamaya özel modeller geliyordu; Battaglia buna hava ağacı diyor: kökler veri, gövde model, dallar uygulamalar, yapraklar telefon ekranı. Yeni model kökten yaprağa tek mimaride gidiyor: ham uydu görüntüsünü girdi alıp havalimanı gibi kaliteli istasyonların ölçümlerini doğrudan tahmin ediyor. Altı saatte bir yerine saatlik tahmin üretiyor, daha yüksek çözünürlükte çalışıyor. Eylül 2026'da duyurulan model uydu verisini gerçek zamanlı kullanıyor, arama ve harita ürünlerine de besleniyor.

Enerjide karşılığı somut: load forecasting, yani elektrik talebi tahmini büyük ölçüde sıcaklığa bağlı; soğukta ısıtıcılar, sıcakta klimalar şebekeyi zorluyor. Üretim tarafı ise rüzgâr hızına ve güneşliliğe bakıyor. Modelin yeni rüzgâr ve güneş değişkenleri arzı, yüksek çözünürlüklü sıcaklık ve nem tahmini talebi öngörüyor. Şebeke planlaması iki yandan besleniyor.

Tarım cephesinde çiftçiler en eski tahminci sınıfı: ekim ve hasat kararı sıcaklıkla yağışa bakıyor. Haftalık yağış ve aylık ortalama sıcaklık gibi ufuklar tohum seçimini bile değiştirir. Mimari tarafta her yenilik eşit ağırlıkta değildi: güneş ve rüzgâr değişkenleri eklemek görece kolaydı, uydu girdisi ve istasyon çıktısı mimaride derin değişiklik istedi. Performans tablosu ise dürüst tutuluyor: GraphCast deterministikte, GenCast olasılıksalda ilk büyük zaferlerdi; siklonlarda iz ve şiddet tek modelde buluştu ama havza ve bölge farkları karar verici için kritik, tek cümlelik "en iyiyiz" iddiası yok.

Hata rejimi iki kampı ayırıyor: klasik yöntemde küçük hata büyüyüp patlayabiliyor, çünkü denklemler "normal havaya dön" demiyor. Yapay zekâ modelleri ise hata yapınca ortalamaya dönüyor; en eski tahmin yöntemi olan mevsimsellik gibi davranıyor. Paradoks burada: ortalamaya dönen bir model hiç görmediği şiddette fırtınayı nasıl yakalıyor? Yanıt mozaik kuramı: model o fırtınayı görmedi ama parçalarını gezegenin başka köşelerinde gördü, yerel istatistikleri yeni bir bütünde birleştirdi. Yine de yılda bir olan muson gibi az örnekli rejimlerde öğrenme verimliliği açık problem. Ufukta etki tahmini var: rüzgârı değil, rüzgârın elektrik direğine verdiği hasarı tahmin etmek. Denklemlerden vazgeçilmiyor, denklemleri çözme biçiminden vazgeçiliyor; gerçeği belirleyen yorum değil değerlendirme disiplini.