Bulutların içinde gerçekleşen mikrofiziksel süreçler, yağmurun ve karın nasıl oluştuğunu, hava kirliliğinin bulutları nasıl etkilediğini anlamak açısından kritik öneme sahip. Bu süreçlerin hızlarını takip etmek ise sayısal hava tahmin modellerinde ciddi bir veri saklama sorunu doğuruyor.
Araştırmacılar, bu boşluğu doldurmak amacıyla PRecover adını verdikleri veri odaklı bir yaklaşım geliştirdi. Sistem, ICOsahedral Nonhydrostatic (ICON) adlı hava tahmin modelinin rutin çıktılarından yola çıkarak simülasyon sırasında kaydedilmeyen mikrofizik süreç hızlarını makine öğrenmesiyle yeniden oluşturabiliyor.
Çalışmada üç farklı makine öğrenmesi yöntemi karşılaştırıldı: rastgele ormanlar, gradyan artırma modelleri ve ileri beslemeli sinir ağları. Modeller, Avrupa üzerinde sınırlı bir alanda yapılan yüksek çözünürlüklü simülasyonlardan elde edilen bulut değişkenleriyle eğitildi. Sonuçlar, hem sıcak yağış süreçlerinin hem de buz oluşum süreçlerinin başarıyla tahmin edilebildiğini ortaya koyuyor.
Bu yaklaşımın pratik önemi büyük: Araştırmacılar artık eski ya da mevcut simülasyonlardan, o simülasyonlar sırasında saklanmamış verileri türetebilecek. Bu sayede hem depolama maliyetleri düşerken hem de analizlerin derinliği artıyor.
Aerosol-bulut etkileşimleri ve yağış oluşum mekanizmaları, iklim biliminin hâlâ tam olarak çözüme kavuşturamadığı alanlar arasında yer alıyor. PRecover gibi araçlar, bu mekanizmaları daha ayrıntılı incelemenin önündeki pratik engelleri ortadan kaldırma potansiyeli taşıyor. Çalışma, makine öğrenmesinin yalnızca tahmin değil, bilimsel veri kurtarma amacıyla da güçlü bir araç olabileceğini gösteriyor.