Hava tahmininin kalitesi büyük ölçüde, gözlemlerle model çıktılarının nasıl birleştirildiğine bağlıdır. Bu sürece veri asimilasyonu denir ve modern meteorolojinin bel kemiğini oluşturur. Ancak asimilasyon süreci, çok sayıda paralel model çalıştırılmasını gerektiren ansambl yöntemlerine dayanır; bu da devasa hesaplama maliyetleri demektir.
Araştırmacılar bu soruna makine öğrenmesiyle yanıt verdi. MAPCast adı verilen yeni emülatör, MPAS (Model for Prediction Across Scales) adlı yüksek çözünürlüklü sayısal hava tahmin modelinin tarihsel simülasyonları üzerinde eğitildi. Amaç, bu modelin davranışını öğrenerek çok daha az kaynak harcayan bir yapay zeka kopyası oluşturmak.
Konveksiyona izin veren modeller, birkaç kilometre çözünürlüğe inerek fırtına hücrelerini, yağış bantlarını ve dikey hava hareketlerini simüle edebilir. Bu ayrıntı düzeyi tahmin kalitesi açısından hayati önem taşısa da hesaplama açısından son derece ağırdır. MAPCast, bu boşluğu kapatmayı hedefliyor.
Sistem, 10 geriye dönük konvektif olay üzerinde sınanırken 15 dakikalık ve 60 dakikalık öngörü ufuklarında değerlendirildi. Sonuçlar, MAPCast'in fırtına kapsamını, zamansal evrimi ve durum değişkenlerinin uzamsal ile spektral özelliklerini gerçekçi biçimde yeniden üretipostedebildiğini ortaya koydu.
Çalışmanın odak noktası olan arka plan hata kovaryansları (BEC), asimilasyon sistemine 'ne kadar güvenilmeli, nerede hata payı bırakılmalı' gibi kritik bilgileri sağlar. MAPCast, bu kovaryansları MPAS'a oldukça yakın bir şekilde tahmin edebildi. Küçük ölçekli mekânsal farklılıklar gözlemlendi; ancak bu sapmalar öngörü kalitesini belirgin biçimde bozmadı.
Bu çalışma, yapay zeka destekli hava tahmininin yalnızca doğrudan öngörü üretmekle kalmayıp veri asimilasyonu altyapısını da güçlendirebileceğini gösteriyor. Çok ölçekli veri asimilasyonu hedefine ulaşmak, hem yerel fırtınaların hem de büyük ölçekli hava sistemlerinin aynı çerçeve içinde daha doğru modellenmesi anlamına geliyor. MAPCast bu hedefe giden yolda önemli bir adım olarak değerlendiriliyor.