Tahmin çölü: MIT ekibinin yöntemi 2-6 haftalık hava öngörüsünü ikiye katladı
Nature'da yayımlanan çalışma yeni bir tahmin modeli kurmuyor; var olan modellerin tekrarlanan hatasını öğrenip siliyor. Kazanç gerçek, ama taban çok alçak.
1970'lerde MIT'de uzun yıllar ders veren Edward Lorenz, kaos teorisini ortaya atarken hava tahminine bir tavan da koymuş oldu: başlangıç koşullarındaki minicik farklar o kadar hızlı büyüyor ki, belli bir noktadan sonra elinizde sinyal değil gürültü kalıyor. Aynı üniversitede mevsim-içi tahmin üzerine çalışan araştırma bilimcisi Judah Cohen, bu tavanı hiç içine sindirmemiş. Popular Science'a konuşurken Lorenz'in fikrini "bunun ötesinde havayı öngöremeyiz, çünkü sistemdeki gürültü başladığınız sinyali bastıracak kadar büyüyor diyen teorik bir iki hafta sınırı" diye anlatıyor ve ekliyor: "Ben buna hiçbir zaman tam olarak inanmadım."
14 Ekim'de Nature'da yayımlanan bir çalışma Cohen'in bu sezgisine sayı veriyor. MIT, Microsoft Research, Harvard, Toronto Üniversitesi ve Brezilya'nın IMPA enstitüsünden araştırmacıların ortak makalesi, hava tahmininin en zayıf halkasında — bugünden 2 ila 6 hafta sonrasında — mevcut modellerin becerisini ikiye katladığını bildiriyor. İşin ilginç tarafı, yeni bir tahmin modeli kurmamış olmaları. Var olan modellerin hatasını öğrenen bir katman yazmışlar.
Bu aralık teknik bir ayrıntı değil. Çiftçi ekim takvimini, enerji dağıtıcısı yük planını, su idaresi baraj kotasını tam bu pencerede kurar: yarının yağmuru değil, üç hafta sonraki havanın mevsim normalinin üstünde mi altında mı olacağı önemlidir. Makalenin yazarları bu aralığa literatürdeki adıyla sesleniyor: tahmin çölü.
Neden on gün aydınlık da üçüncü hafta karanlık
Kısa vadede tahminin bütün gücü başlangıç koşullarından gelir. Model, atmosferin bugüne ait anlık fotoğrafını alır ve fizik denklemlerini adım adım ileri sürer. Ama her adımda küçük bir hata büyür; onuncu günden sonra o fotoğrafın hükmü kalmaz.
Mevsim ölçeğinde ise başka bir dayanak devreye girer: atmosferin altında yavaş değişen sınır zorlamaları, yani okyanus yüzeyi sıcaklıkları gibi aylarca yerinde duran büyük kütleler. Cohen'in MIT bülteninde özetlediği sıkışma budur: kısa vadede "iklim sistemindeki ve atmosferdeki başlangıç koşullarından yararlanabiliyorsunuz", uzun vadede ise "bu yavaş, değişken sınır kuvvetleri" var — örnek olarak bu kış herkesin konuştuğu güçlü El Niño'yu veriyor. Üçüncü ve dördüncü hafta ikisinin de arasına düşüyor: fotoğraf solmuş, okyanus henüz söz söylemiyor.
Atmosferin hafızası
Yine de bu aralık bütünüyle rastgele değil, çünkü atmosferin kendini tekrarlayan hafıza kaynakları var. Cohen'in benzetmesi şu: "Teoride atmosfer sonsuz sayıda desen üretebilir, ama bu favori desenlerin içine düşüp düşüp kalkmayı seviyor."
En bilinenlerinden biri Madden-Julian Salınımı. ABD ulusal okyanus ve atmosfer idaresinin iklim sitesinde anlatıldığı biçimiyle, tropik Hint ve Pasifik okyanusları üzerinde doğuya doğru yürüyen, bir tarafında yağışın güçlendiği diğer tarafında bastırıldığı dev bir ikili yapı. Bu yapının nerede olduğunu bilmek, haftalar sonrasındaki hava için zayıf ama sıfır olmayan bir ipucu verir. Benzer biçimde stratosfer — hava olaylarının geçtiği katmanın üzerindeki durgun tabaka — aylık ölçekte yere sinyal gönderebilir; çalışmada kullanılan yapay zekâ modelinin mevsim-içi sürümü de stratosferi temsil eden bir katman taşıyor.
Modeli değil, hatasını öğret
Cohen yöntemi MIT bülteninde sade anlatıyor: "Bu sarmalayıcıyı inşa ettik. Yapay zekâ modellerinin bir sürü hatası olduğunu biliyoruz, o yüzden belki bu hataları ölçebilir ve kaldırabiliriz diye düşündük."
Makaledeki adı olasılıksal yanlılık düzeltmesi (probabilistic bias correction, PBC). Her seferinde beş dakika geri kalan bir saati tamir etmek yerine, okuduğunuz vakte beş dakika eklemek gibi — ama tek bir sayı değil, olasılıkların tamamı kaydırılıyor. Yöntem iki parçanın ortalaması:
- Debias++: konuma, takvim gününe ve dağılımın hangi diliminde olduğunuza göre ayrı ayrı düzeltme öğreniyor; bunu yaparken eğitim penceresini de uyarlamalı seçiyor.
- Persistence++: dört girdiyle çalışan bir doğrusal regresyon — modelin verdiği olasılık, 6-13 gün öncesinin gözlemleri, 12-26 gün öncesinin gözlemleri ve önceki 20 yılın yürüyen iklim ortalaması.
İkisinin çıkışı izotonik regresyonla geçerli birer birikimli dağılıma oturtuluyor, sonra ortalanıyor. Önemli olan çalıştığı yer: yöntem ham gözlem değerleri üzerinde değil, doğrudan olasılık dağılımları uzayında iş görüyor. Yer gerçeği olarak 1979-2026 arasını kapsayan ERA5 yeniden analizi 1,5 derecelik ızgaraya indirilerek kullanılmış; eğitim 2016-2024 dönemine dayanıyor ve model her gün, yalnızca o gün gerçekten elde olabilecek veriyle yeniden eğitiliyor.
Sayılar
Aşağıdaki değerler Nature makalesinin ve ekibin arXiv ön baskısının bildirdiği ölçüler.
| Yöntem | PBC — olasılıksal yanlılık düzeltmesi |
|---|---|
| Yayın | Nature, 14 Ekim 2026 |
| Hedef vade | 3. hafta (19-25. gün), 4. hafta (26-32. gün) |
| Değişkenler | 2 metre sıcaklık (kara), toplam yağış (kara), deniz seviyesi basıncı (yerküre geneli) |
| Beceri ölçütü | RPSS — sıralı olasılık beceri skoru |
| Yapay zekâ modelinde | ECMWF'nin yapay zekâ tahmin sisteminin mevsim-içi becerisi iki katına |
| Dinamik modelde | basınç hedeflerinin %91'i, sıcaklık hedeflerinin %92'si, yağış hedeflerinin %98'inde iyileşme |
| Uç olaylarda | sıcaklık uçlarında %51, basınç uçlarında %39, şiddetli taşkında %86-150 iyileşme |
| Yarışma | ECMWF AI Weather Quest 2025 — tüm değişken ve vadelerde birinci |
Yarışmadaki sonuç yöntemin en somut sınavı: ekibin sistemi altı tahmin merkezinin dinamik modellerini, çok modelli bir topluluk tahminini, ECMWF'nin kendi yapay zekâ sistemini ve 34 ekibi geride bıraktı.
Nerede işe yaramıyor
Kazançların hepsi göreli ve taban çok alçak. Yağışta üçüncü hafta becerisi 0,023 gibi neredeyse sıfır bir seviyeden üç katına çıkıyor; yani sonuç "iyi tahmin" değil, "hiçbir şeyden biraz fazlası". Makalenin kendi ifadesiyle sahada çalışan dinamik topluluklar ve en gelişmiş olasılıksal yapay zekâ modelleri uzun mevsim-içi vadelerde çoğu zaman iklim ortalamasının bile altında kalıyor, özellikle tropikler dışında. PBC'nin asıl başarısı o eşiği geçmek.
İkinci sınır yöntemin doğasında: bir yanlılık düzeltmesi, modelin hiç yakalamadığı bir olayı yoktan var edemez; öğrendiği şey geçmişte tekrarlanmış sistematik sapmadır. Üçüncüsü, klasik yanlılık düzeltmesi uç hava olaylarının tahminini genellikle kötüleştirir; çalışmanın dikkat çeken yanı uçlarda da ölçülebilir iyileşme göstermesi. Yine de "ikiye katladı" ifadesinin ne kadar alçak bir tabandan sayıldığını unutmamak gerekiyor.
Türkiye'de hangi ürüne dokunuyor
Bu aralık Türkiye'de de yayımlanan bir ürün. Meteoroloji Genel Müdürlüğü aylık tahminlerini birinci haftadan dördüncü haftaya kadar ayrı ayrı veriyor; sıcaklık ve yağışı mevsim normallerinin altında ya da üstünde olarak değerlendiriyor. Kendi sayfasında ürünün haftada iki kez güncellendiği ve ECMWF model verisine dayandığı yazıyor. Yani o üçüncü-dördüncü hafta kutusu, PBC'nin üzerine oturduğu modelin ta kendisi.
Cohen, Kenya Cumhuriyeti meteoroloji ofisinin muson mevsimi tahminini iyileştirmek için modeli uygulamak üzere kendilerine ulaştığını söylüyor; amaç bu kış tarımsal verimi artırmak. Model MIT'nin Engaging süper bilgisayar kümesinde kuruldu, ama çalışmak için süper bilgisayar istemiyor — dar bütçeli meteoroloji ofisleri için belki en kritik ayrıntı bu.
Geriye şu soru kalıyor. Atmosfer gerçekten favori desenlere düşüp kalkıyorsa, bu kazanç o desenlerin kataloğuyla sınırlı: iyileşme modellerin tekrarlanan hatasını silmekten geliyor, dolayısıyla tavanı hatanın ne kadarının tekrarlandığına bağlı. Geri kalan rastgele kısım hâlâ orada duruyor — ve Lorenz'in asıl itirazı tam olarak oydu.
Fotoğraf: NASA Earth Observatory, Public domain, Wikimedia Commons
