Yağış tahminleri, özellikle bir haftayı aşan orta vadeli ufuklarda hem klasik sayısal hava tahmin (NWP) modelleri hem de veri odaklı yaklaşımlar için zorlu olmaya devam etmektedir. Colorado Eyalet Üniversitesi'nden araştırmacılar, bu soruna yönelik CSU-PCAST adlı yeni bir derin öğrenme çerçevesi geliştirdi.
Model, atmosfer biliminde yaygın kullanılan ERA5 yeniden analiz veri setinden elde edilen 57 prognostik değişkeni ve sabit coğrafi alanları girdi olarak kullanıyor. Yağış için ise NASA'nın IMERG uydu-bazlı küresel yağış ürününün etiketleri tercih edilmiş; bu sayede gözlem açısından zayıf kalan bölgeler de modele dahil edilebilmiş.
CSU-PCAST'ın mimarisi, görüntü işleme dünyasından uyarlanan Swin Transformer omurgası üzerine inşa edilmiş. Buna ek olarak stokastik gürültü koşullandırması, zamansal gömme katmanları ve yağış ile yağış dışı değişkenleri ayrı ayrı işleyen çift dallı bir kod çözücü yapısı kullanılıyor. Bu tasarım, modelin yağış gibi süreksiz ve yüksek uzamsal değişkenlik gösteren bir değişkeni diğer atmosferik büyüklüklerden bağımsız biçimde modellemesine olanak tanıyor.
Tahmin aşamasında model, operasyonel GFS analizlerinden başlatılarak otoregresif bir stratejiyle 15 güne kadar ilerleyen 30 ensemble üyesi üretiyor. Ensemble yaklaşımı, yalnızca tek bir deterministik tahmin sunmak yerine olası senaryoların dağılımını ortaya koyuyor; bu durum özellikle karar destek sistemleri ve afet risk yönetimi açısından büyük değer taşıyor.
Araştırma, yapay zeka tabanlı hava tahmininde son yıllarda hız kazanan bir eğilimin parçası niteliğinde. GraphCast ve Pangu-Weather gibi modellerin ardından gelen CSU-PCAST, yağış tahminine özelleşmiş ensemble çıktısıyla bu alana özgün bir katkı sunuyor. Sel, toprak kayması ve kuraklık gibi hidrometeorolojik risklerin doğru öngörülmesinde orta vadeli yağış tahmininin kritik rolü düşünüldüğünde, bu tür modellerin operasyonel meteorolojiye entegrasyonu büyük önem kazanıyor.
Çalışma henüz ön baskı (preprint) aşamasında olup hakemli dergi değerlendirme sürecinden geçmemiştir.