Toz fırtınaları, evlerini tertemiz tutmaya çalışan herkes için sadece bir baş belası
değil, aynı zamanda çok gerçek bir sağlık tehlikesi ve büyük bir ekolojik endişe
kaynağıdır. Toz ve havadaki diğer partikülleri solumaktan kaynaklanan solunum
sorunları, dünya çapında başlıca ölüm nedenlerinden biridir.
Daha da kötüsü, ülkeden ülkeye ve kıtadan kıtaya serbestçe dolaşan toz parçacıkları
patojenleri yayabilir ve muhtemelen salgın hastalıkların patlak vermesine katkıda
bulunabilir. Dahası, toz bulutlarının iklim üzerinde son derece önemli bir etkisi vardır:
Güneş ışınlarını emer ve dağıtırlar, böylece Dünya’nın sıcaklığını değiştirirler ve
ayrıca bulutların özelliklerini ve yağış düzenlerini de etkilerler.
Toz fırtınaları genellikle Negev, Arap Yarımadası, Sahra, Kuzey Amerika ve Asya
çölleri gibi kurak bölgelerde oluşur. Rüzgar yerden küçük parçacıklar kaldırır ve daha
büyük kum parçacıkları fırtınanın oluştuğu yere yakın bir yerde batarken, daha küçük
toz parçacıkları yüzlerce hatta binlerce kilometre uzağa savrulabilir.
Toz dalgaları için erken bir uyarıya sahip olmak, savunmasız nüfusların korunmasına
yardımcı olabilir ve mahsullerin tahrip olmasını önleyebilir – ve bir bonus olarak, bizi
evlerimizi anlamsızca temizlemekten kurtarabilir. Ancak bu fırtınaların hızlı gelişimi
ve yayılımı, geniş alanlara yayılmaları ile birleştiğinde, ne zaman, nerede ve ne
kadar kötü bir şekilde vuracaklarını tahmin etmeyi zorlaştırıyor.
Weizmann Bilim Enstitüsü Yer ve Gezegen Bilimleri Bölümü’nden Dr. Ron Sarafian,
Dori Nissenbaum ve Prof. Yinon Rudich tarafından yakın zamanda yayınlanan bir
çalışma, toz fırtınası tahmininde çığır açıyor. Npj Climate and Atmospheric Science
dergisinde yayınlanan çalışma, yine Weizmann’daki aynı bölümden Dr. Shira Raveh-
Rubin ile işbirliği içinde yazıldı.
Araştırmacılar başlangıçta bilgisayarla görme alanında elde edilen bilgileri
kullanmayı umuyorlardı. Bir toz fırtınasının meteorolojik verileri bir dizi uydu
görüntüsü olarak gösterilebildiğinden, yapay bir sinir ağının fırtınaların yayılmasını
yöneten kalıpları “öğrenebileceğini” düşündüler – tıpkı bu ağların çeşitli hayvanların
veya nesnelerin videolarını tanımayı öğrendiği gibi.
Ancak umutları sadece kısmen gerçekleşti. Normal bir görüntü sadece üç ana
renkten oluşur ve aralarında oldukça fazla miktarda örtüşme vardır. Ancak
meteorolojik “görüntüler” en az 60 değişkenden oluşur: sıcaklık verileri, nem, rüzgar
hızı vb.
Buna ek olarak, bilgisayarlı görüntü sistemleri milyonlarca görüntüden oluşan
arşivlere dayanan makine öğrenimine dayanırken, toz fırtınalarını tanımlamakla
görevli bir yapay sinir ağı için çok az görüntü mevcuttu: İsrailli araştırmacılar,
yaklaşık yirmi yıl boyunca uydulardan ve yer istasyonlarından ayrıntılı veriler
topladıktan sonra, ellerinde bu meteorolojik “filmlerden” sadece 60.000 tanesine
sahip oldular. Bu nispeten sınırlı koleksiyonda, aynı yerde oluşan bir toz fırtınasının
birden fazla örneğini bulmak nadirdir.
Bu gibi durumlarda, örneğin Beerşeba’daki toz fırtınalarının oluşumunu yöneten
kalıpları öğrenmeye çalışan herhangi bir yapay sinir ağı, “aşırı uyum” olarak bilinen
durumdan muzdarip olabilir. Başka bir deyişle, sınırlı koşullara dayalı kalıplar formüle
edebilir ve yeni, henüz öğrenilmemiş koşullar keşfedildiğinde yanlış sonuçlara
ulaşabilirler.
Araştırmacılar sürpriz bir şekilde, yapay sinir ağının hayatını zorlaştırarak tahminlerin
geliştirilebileceğini keşfettiler. Ağa sadece bir toz fırtınasının belirli bir noktaya
ulaşmasının beklendiği zamanı öğrenme görevini değil, aynı zamanda yardımcı bir
sorunu da ele alma görevini verdiler: tozun dağıldığı çok daha geniş bir alanı takip
etmek.
Örneğin, bir toz fırtınasının Beerşeba’yı ne zaman vuracağını tahmin etmek için ağ,
fırtınanın Lübnan’ı ne kadar kötü etkilediğini öğrendi. Bu yaklaşımı kullanarak ağ,
tozun yayıldığı fiziksel ve meteorolojik koşullar hakkında da bilgi edinebileceği çok
daha geniş bir veri koleksiyonuna erişmiştir.
Son 20 yılda İsrail’in tüm meteoroloji istasyonlarından toplanan verileri kullanan
araştırmacılar, tozun yoğun olduğu kış ve bahar aylarında, toz fırtınalarının yüzde
80’inden fazlasını 24 saat öncesinden ve yaklaşık yüzde 70’ini 48 saat öncesinden
başarılı bir şekilde tahmin edebildiklerini gösterdi. Sistemin tahmin edemediği
olayların çoğu, yerel bir alanda hızla gelişen fırtınalardı, bu da onları tahmin etmeye
yardımcı olabilecek bölgesel verilerin toplanmasını zorlaştırıyor.
Sarafian, “İsrail’den gelen verilerle eğitilen ağ, birkaç ayarlamayla Orta Doğu’nun ve
hatta dünyanın başka yerlerindeki toz fırtınalarını da tahmin edebilir” diyor. “Dahası,
aşırı yağışlar ya da ani seller gibi meteorolojik verilerle bağlantılı diğer nadir olayları
tahmin etmeye yardımcı olabilecek bir mimari oluşturduk.”
Rudich sözlerini şöyle sürdürüyor: “Bu araştırmanın en önemli başarısı, halihazırda
devam eden çalışmamızda uyguladığımız gibi, büyük ve zengin bir veri
koleksiyonunu taramak ve fiziksel ilkeleri ve atmosferik süreçleri daha önce
kullanamadığımız bir şekilde incelemek için yapay zekanın kullanılmasıdır.”
Kaynak: Phys
