Orman yangınları yalnızca alevleriyle değil, beraberinde getirdiği duman ve ince partikül madde kirliliğiyle de can alıcı olabiliyor. PM2.5 olarak bilinen bu mikroskobik partiküller akciğerlere kadar ulaşarak solunum ve kalp-damar hastalıklarını tetikleyebiliyor. Üstelik büyük yangınlar sırasında PM2.5 seviyeleri saatler içinde çok tehlikeli seviyelere çıkabiliyor. Bu ani ve aşırı zıplamalar, hem halk sağlığı hem de erken uyarı sistemleri açısından kritik bir tahmin problemi oluşturuyor.
Araştırmacılar bu soruna güncel yapay zeka araçlarıyla yaklaşmayı denedi. Son dönemde popülerleşen zaman serisi temel modelleri (TSFM); TimesFM, Chronos-2, Moirai-2 ve Time-MoE gibi büyük veriyle önceden eğitilmiş modeller, yeni görevlere sıfır atışla uyum sağlayabiliyor. Peki gerçekten daha önce hiç karşılaşılmamış bir yangın senaryosunda da başarılı olabiliyorlar mı?
Çalışmada bu soruyu yanıtlamak için 'bir olayı dışarıda bırakarak doğrulama' (LOIO) adı verilen sıkı bir test protokolü uygulandı. Yani modeller, eğitim sırasında hiç görmedikleri yangın olayları üzerinde denendi. Bu yöntem, gerçek dünyadaki genelleme kapasitesini ölçmek için en anlamlı testlerden biri olarak kabul ediliyor.
Sonuçlar karışık bir tablo ortaya koydu. TSFM'ler ortalama hata metrikleri açısından rekabetçi performans sergilese de, EPA'nın hava kalitesi indeksindeki (AQI) tehlike eşiklerini aşan ani PM2.5 zıplamalarını yakalamakta yetersiz kaldı. Bu 'aşım olayları' tam da karar vericilerin en çok ihtiyaç duyduğu bilgiyi temsil ettiğinden, söz konusu eksiklik pratikte önemli bir kısıt oluşturuyor.
LoRA yöntemiyle ince ayar yapılan modeller bazı iyileşmeler gösterdi; ancak bu iyileşme tutarlı ve yeterli düzeyde değildi. Klasik derin öğrenme yaklaşımları olan LSTM ve BiLSTM ise belirli koşullarda hâlâ rekabetçi kalabildiğini kanıtladı.
Araştırma, yapay zekanın iklim kaynaklı aşırı olayları tahmin etmedeki mevcut sınırlarını somut biçimde belgeleyen ilk kapsamlı karşılaştırmalı çalışma olma özelliği taşıyor. Yazarlar, bu alandaki ilerleme için yalnızca genel performansı değil, nadir ve tehlikeli olayları yakalama kapasitesini ön plana alan yeni kıyaslama standartlarına ihtiyaç duyulduğunu vurguluyor.