WeatherNext 2: Google DeepMind'in şimdiye kadarki en gelişmiş hava tahmini modeli

 (blog.google)
5 puan yazan GN⁺ 2025-11-19 | 1 yorum | WhatsApp'ta paylaş
  • WeatherNext 2, yapay zeka tabanlı olarak küresel hava tahmininin doğruluğunu ve verimliliğini büyük ölçüde artıran bir model
  • Tek bir TPU üzerinde bir dakikadan kısa sürede yüzlerce hava senaryosu üretir ve mevcut modellere göre 8 kat daha hızlı tahmin hızı sunar
  • Yeni Functional Generative Network(FGN) yapısı sayesinde fiziksel olarak tutarlı tahminleri korur ve saatlik çözünürlüğe kadar destek sağlar
  • Tahmin verileri Earth Engine ve BigQuery üzerinden kullanılabilir; Vertex AI'ın erken erişim programı aracılığıyla özelleştirilmiş çıkarım özellikleri sunulur
  • Bu teknoloji, Search, Gemini, Pixel Weather, Google Maps Platform gibi Google hizmetleri genelindeki hava durumu özelliklerini yükseltiyor

WeatherNext 2'ye genel bakış

  • Google DeepMind ve Google Research tarafından ortak geliştirilen WeatherNext 2, mevcut modellere kıyasla 8 kat daha hızlı hız ve 1 saatlik çözünürlük sunan yapay zeka tabanlı bir hava tahmin modeli
    • Tek bir girdiden yüzlerce olası hava senaryosu üretir
    • Tahminler tek bir TPU üzerinde 1 dakikadan kısa sürede tamamlanırken, mevcut fizik tabanlı süper bilgisayar modelleri saatler sürer
  • Bu model, sıcaklık, rüzgar hızı, nem gibi değişkenlerin %99,9'unda ve tahmin ufuklarında (0~15 gün) önceki modellere göre daha iyi performans gösterir
  • WeatherNext 2, Dünya genelinde yüksek çözünürlüklü tahminleri mümkün kılar ve meteoroloji kurumlarının karar alma süreçlerini desteklemek için de kullanılır

Yeni yapay zeka modelleme yaklaşımı

  • WeatherNext 2, Functional Generative Network(FGN) adlı yeni bir yapay zeka modelleme yaklaşımını benimsiyor
    • Model yapısına doğrudan 'gürültü' enjekte ederek, tahmin sonuçlarının fiziksel olarak gerçekçi ve birbiriyle bağlantılı bir durumda kalmasını sağlar
  • Bu yaklaşım hem 'marjinal(marginal)' hem de 'ortak(joint)' tahminler için yararlıdır
    • Marjinal, tekil unsurları ifade eder (ör. belirli bir konumdaki sıcaklık, irtifaya göre rüzgar hızı, nem)
    • Ortak tahmin ise birden fazla unsurun birleştiği büyük ölçekli hava sistemlerini ifade eder; sıcak hava dalgası bölgeleri ya da rüzgar enerjisi üretim tahmini gibi karmaşık olayların analizi için kritiktir
  • Model yalnızca marjinal verilerle eğitilse de, ortak örüntüleri kendi kendine öğrenerek bileşik tahminler gerçekleştirir

Veriye erişim ve kullanım

  • WeatherNext 2'nin tahmin verileri Google Earth Engine ve BigQuery üzerinde açık olarak sunuluyor
    • Earth Engine veri kataloğu ve BigQuery Analytics Hub üzerinden sorgulanabilir
  • Google Cloud Vertex AI, erken erişim programı aracılığıyla özelleştirilmiş model çıkarımı (inference) sunar
  • Bu teknoloji Search, Gemini, Pixel Weather, Google Maps Platform'un Weather API'si gibi ürünlere entegre edilmiştir ve ileride Google Maps'in hava durumu bilgisi özelliklerine de uygulanacaktır

Araştırmadan pratiğe

  • WeatherNext 2, araştırma çıktılarının gerçek uygulamalara genişletilmesine bir örnek
    • Google, bu teknoloji sayesinde dünya genelindeki araştırmacıların, geliştiricilerin ve şirketlerin karmaşık problemleri çözmek için kullanabilmesi adına araçları ve verileri açıyor
  • Gelecekte yeni veri kaynaklarının entegrasyonu ve erişimin genişletilmesi yoluyla model performansını sürekli iyileştirmeyi planlıyor
  • Google, jeo-uzamsal yapay zeka araştırma ekosistemini güçlendirmek için Earth Engine, AlphaEarth Foundations, Earth AI gibi projelerle bağlantı kuruyor

Ek materyaller

  • WeatherNext 2 ile ilgili makale (arXiv: 2506.10772) yayımlandı
  • Geliştirici dokümantasyonu, Earth Engine veri kataloğu, BigQuery sorgu örnekleri, Vertex AI erken erişim kayıt sayfası sunuluyor
  • İlgili modeller arasında GenCast (aşırı hava olayları tahmini) ve GraphCast (küresel hızlı tahmin) de tanıtılıyor

İlgili okumalar

1 yorum

 
GN⁺ 2025-11-19
Hacker News yorumu

  • Bu konunun epey derinine indim; dışarıdan bakanların ilgisini çekebilecek nokta, neuralgcm ya da WeatherNext 1 gibi yeni modellerin tamamının CRPS adlı bir amaç fonksiyonuyla eğitilmesi
    Bu yöntem genel ML alanında neredeyse hiç kullanılmıyor; ben bunu yalnızca hava tahmininde gördüm
    Özetle, girdiye rastgele gürültü ekleniyor ve sıradan bir kaybı (L1 vb.) en aza indirirken aynı zamanda farklı gürültü başlangıçlarıyla üretilen iki sonuç arasındaki farkı en üst düzeye çıkaracak şekilde eğitim yapılıyor
    Bu yaklaşımın bir gün geleneksel GenAI için de uygulanıp uygulanmayacağını merak ediyorum

    • Gürültü girdiye değil de model parametrelerine ekleniyor olmasın?
      Bu bana Variational Noise makalesini hatırlattı
      Eğer gerçekten girdiye gürültü ekleniyorsa, DINO gibi SSL tekniklerine benziyor olabilir
    • Yakın zamanda bir optimizasyon çalışmasında bilerek birbirinden farklı iki çıktı üretmek istemiştim ama iyi bir sezgisel yöntem bulamamıştım
      GenAI ile ilgisi olmayan bir işti ama bu CRPS yaklaşımı o sırada olsa faydalı olabilirdi
    • Bu yaklaşım bana Variational Autoencoder'ı hatırlatıyor
    • Neden L2 kaybı yerine böyle bir yöntem kullanıldığını, amacın ne olduğunu merak ediyorum
    • Model geçmiş verilerle eğitiliyor ama gerçek tahmin aşamasında yeni gözlemlerle birden fazla kez ensemble çalıştırması yapıldığını netleştirmek gerekir

  • Son dönemde Google Arama’daki yerel hava tahminlerinin gözle görülür biçimde daha hatalı hale geldiğini fark ettim
    Birkaç haftadır gece sıcaklığının sıfırın altına düşeceği söyleniyordu ama gerçekte öyle olmadı
    Yaşadığım yer tahmini zor bir bölge ama Google dışındaki başka kaynaklar çok daha isabetliydi
    Acaba yeni modelin rollout süreci çoktan başladı da bu yüzden mi kötüleşti, yoksa yakında iyileşecek mi merak ediyorum
    Ayrıca bölge bazında model tahmin performansını karşılaştırabileceğimiz bir site olup olmadığını da bilmek isterim

    • Open-Meteo'nun ücretsiz API’si faydalı
      Model bazında tahmin verilerini grafikle görselleştirebiliyorsunuz ve birkaç büyük modeli içeriyor
      Ancak WeatherNext henüz yok
    • Bölgelere göre model performansını karşılaştırmak çok doğal bir özellik gibi görünüyor ama pratikte neredeyse hiç yok. Nedenini merak ediyorum

  • Duyuruda hız ve senaryo sayısındaki artış vurgulanmış ama doğruluk iyileştirmesi yeterince anlatılmamış gibi geldi
    “WeatherNext 2 8 kat daha hızlı ve saatlik çözünürlük sunuyor” kulağa hoş geliyor ama sonuçta ben kullanıcı olarak sadece tek bir doğru tahmin istiyorum

    • Buradaki önemli nokta, bu ürünün nihai kullanıcısının sıradan insanlar olmaması
      CRPS skoru gibi ölçütler uzmanlara yöneliktir; bunlar da geleneksel ensemble modellerdeki under-dispersion sorununu çözmek içindir
      Bu tür iyileştirmeler sonuçta sıradan kullanıcının gördüğü deterministik tahminin doğruluğunu artıran temel oluşturur
      İlgili teknikler WeatherBench üzerinde görülebilir
    • Sıradan kullanıcı açısından bakınca açıklama yetersizdi
      Hava tahmininin özü onlarca yıldır ensemble senaryoları kavramıydı ve “yağmur ihtimali %70” demek, 100 senaryonun 70’inde yağmur yağdığı anlamına gelir
      Yani tek bir ‘doğru tahmin’ diye bir şey yok
    • Kullanıcı olarak ben belirsizliğin dağılımını da görmek isterim
      Birçok hava durumu uygulaması bunu görsel olarak iyi gösteriyor
    • En önemli kıyas ölçütü doğruluk olmalı ve mevcut fizik tabanlı modellerle (GFS, ECMWF vb.) karşılaştırılmalı
      Bu modeller devasa HPC kümelerinde çalışıyor ama merkezi olarak hesaplanıp sadece sonuçları dağıtıldığı için yine de verimliler
    • Bu model geçmiş verilerle eğitilmiş olsa da fizik tabanlı unsurların zayıf göründüğünü düşünüyorum
      Yüksek performans için gerekli fiziksel dayanağın nerede olduğunu merak ediyorum

  • Google’ın hava tahmini motoru zaten çok iyi ve bu sezondaki kasırga rota tahminleri şaşırtıcı derecede isabetliydi
    Buna karşılık ABD hükümetinin Global Forecasting System(GFS) sistemi giderek kötüleşiyor
    İlgili haber: Ars Technica bağlantısı

    • “GFS kötüleşiyor” derken bunun somut olarak ne anlama geldiğini merak ediyorum

  • Makaleyi okuyunca modelin ne kadar sık yeniden eğitilmesi gerektiğinin belirtilmediğini fark ettim
    Yapı bölgesel dağılımları öğreniyorsa, zamanla örüntüler değişeceği için periyodik yeniden eğitim gerekecek gibi görünüyor
    Eğer her hafta 3 gün eğitim yapmak gerekiyorsa bu pratikte ciddi bir maliyet sorunu olabilir

  • Bu bana II. Dünya Savaşı döneminden bir anekdotu hatırlattı
    Kenneth Arrow uzun vadeli tahminlerin rastgele tahminden farksız olduğunu fark etmiş ama üstü “işe yaramadığını bilsek de planlama için gerekiyor” diye yanıtlamış

    • Bunu istatistik dersinde duymuştum; gerçekte iyi hava kötü havadan çok daha sık görülür
      Bu yüzden sadece “yağmur yağmayacak” demek bile %90 doğru çıkabilir
      İronik olan, geçmişte hava tahminlerinin bundan daha düşük doğrulukta olmasıydı
      Günümüz modelleri ise gerçekten şaşırtıcı derecede doğru; 10 günlük tahminler bile çoğu zaman tutuyor
    • Antik çağdaki kehanetlerin de sadece batıl inanç değil, karar verilemediğinde rastgele seçim yoluyla harekete geçmeyi sağlayan bir karar verme aracı olduğu yönünde yorumlar var
    • Eisenhower’ın dediği gibi: “Planlar işe yaramaz ama planlama süreci vazgeçilmezdir” dersi akla geliyor

  • Son zamanlarda Google’ın varsayılan hava durumu uygulamasının doğruluğu düştü
    Sıcaklıkta sık sık 2-5 derece fark oluyordu
    HN’de önerilen Weawow uygulamasını denedim; adı pek iyi değil ama doğruluğu harika
    Şimdiye kadar kullandıklarım arasında en memnun kaldığım uygulama oldu

  • Yapay zeka tabanlı hava tahmini hâlâ günlük hayatta biraz uzak geliyor
    Ebeveynlerimizin TV’den hava durumu izlediği dönemle kıyaslayınca hissedilen doğruluk çok farklı gelmiyor
    Güneşli denilen günde sağanak yağması ya da yağmur denip gün boyu açık olması hâlâ yaşanıyor
    Tüketici açısından teknolojik ilerleme gerçek hissedilen güvenilirliğe dönüşmüyor gibi

    • Veri var: Our World in Data’a göre tahmin doğruluğu istikrarlı biçimde artıyor
    • Sorun verinin sunum biçiminde
      Örneğin Apple Weather’da “yağmurlu gün” ifadesi, günün herhangi bir anında yağış olasılığı yüksekse o şekilde gösteriliyor
      Oysa gerçekte sadece sabah 5’te yağmur yağıp günün geri kalanı açık olabilir
      Kullanıcının veriyi yorumlayabilmesi gerekir; ideal olarak yapay zeka da tahmini kişinin ilgi alanına göre bağlamlandırabilmeli
    • Tahminler sürekli iyileşiyor ama bu kademeli bir evrim, ani bir sıçrama değil
      Örneğin Weathergraph’a rainbow.ai’ın kısa vadeli yağış tahminini ekledim; şimdiye kadar kullandıklarım arasında en doğrusu buydu
      Radar verisinin kendisi de oldukça gürültülü ve bunu temizleme süreci zaten bir ML modeli
    • Gerçekte doğruluk ciddi biçimde arttı
      30 yıl önceki 1 günlük tahmin doğruluğu bugün 4 günlük tahmin doğruluğuna denk
      Ama havayı daha iyi anlıyor olmamızdan değil, hesaplama gücünün devasa ölçüde artmasından kaynaklanıyor
    • Genel hava tahmini hâlâ kusursuz değil

  • Bu modeli nerede kullanabileceğimizi merak ettim
    Eski Dark Sky gibi hiper-yerel tahminler arıyorum

    • Araştırma sonuçları artık gerçek hizmetlere entegre edilmiş durumda
      WeatherNext 2 tahmin verileri Earth Engine ve BigQuery üzerinden kullanılabiliyor; ayrıca Vertex AI üzerinde özel çıkarım için erken erişim programı da var
      Ayrıca Search, Gemini, Pixel Weather, Google Maps Platform Weather API içinde de kullanılıyor
    • Ben kişisel olarak en çok Windy uygulamasını seviyorum
      Modeller arasındaki tahmin farklarını karşılaştırabiliyorsunuz ve rüzgar vektörü animasyonu görsel olarak çok ilgi çekici
    • HRRR modeli de çok iyi
      Her saat güncelleniyor ve 15 dakikalık çözünürlükle 18 saatlik, 1 saatlik çözünürlükle 48 saatlik tahmin sunuyor
      HRRR sitesi
    • Eski Weather Underground kişisel hava istasyonu verilerini entegre ederdi
      IBM tarafından satın alındıktan sonra çok değişti ama o projenin bir kısmı hâlâ yaşıyor olabilir
    • Google’ın resmi Weather API bağlantısı da bakmaya değer

  • Bu sezonun en doğru kasırga tahminlerini veren modelin, burada duyurulan modelle aynı olup olmadığını merak ediyorum
    İlgili haber: Ars Technica bağlantısı