Ozon deliğini yapay zeka tahmin ediyor

Atmosferde bulunan ozon yoğunluğu hem insanlar hem de hayvanlar için önemli bir sağlık riski oluşturabilir ve ayrıca mahsul verimini de ciddi şekilde etkilemektedir. ABD Çevre Koruma Ajansı, maksimum günlük sekiz saatlik ortalama ozon yoğunluğunu 70 ppb (milyarda bir parça; 109) ile sınırlandırırken Güney Kore’de bu değer 60-100 ppb arasındadır. Bu değerlerin tahmininin yapılması önemlidir.

Dünyanın troposferindeki (atmosferin en düşük seviyesi) ozon seviyesi üç gün önceden tahmin edilebiliyorken Houston Üniversitesi Hava Kalitesi Tahmin ve Modelleme Laboratuvarı’nda geliştirilen yeni yapay zeka (YZ) sistemi sayesinde artık iki hafta öncesinden doğru bir şekilde tahmin edilebilir hale geldi. Bu sayede yüksek ozon seviyesi ve hatta iklim değişikliği sorunlarına geliştirilmiş yollarla çözüm bulunabilecek.

Renksiz bir gaz olan ozon, doğru yerde ve doğru miktarda olduğu zaman yararlı olmaktadır. Çoğunlukla stratosfer tabakasında bulunan Ozon, Dünya’yı güneşten gelen UV ışınlarından korur. Fakat ozon gazı yoğunluğu dünya yüzeyinin yakınlarında (troposfer) artarsa özellikle akciğer ve kalp için zehirli bir gaza dönüşmektedir.

Prof Yunsoo Choi‘nin Laboratuvarı’nda araştırmacı olan doktora öğrencisi Sayeed, “Ozon ikincil bir çevre kirletici gazdır ve insanları kötü bir şekilde etkileyebilir.” dedi. Özellikle çok genç, yaşlı ve kronik hastalığı olanların maruz kalması sonucu boğaz tahrişine, solunum güçlüğüne, astıma ve hatta solunum hasarına neden olabilir.

Bu projede ozon seviyesi tahmini çalışmanın sadece bir kısmını oluşturmaktadır. Diğer kısmı ise ekibin bunu nasıl başardığıdır. Geleneksel tahmin, sayısal model kullanılarak atmosferdeki gazların ve sıvıların hareketini araştırırken yoğun denklemlere dayanır. Daha uzun aralıklarda tahmin yapılırken kullanılan donanımların yetersiz kalmasından dolayı sayısal süreçlerde yavaşlamaya başlar. Böylece, bu tahmin sonuçlarını elde etmek maliyetli hale gelir ve doğruluğu sınırlıdır.

Hava kalitesi tahminleri için şu anda kullanılan sayısal modelleme (örneğin, CMAQ) ile 48 ila 72 saat aralığında bir tahmin yapılmaktadır. Bu çalışmada konvolüsyonel sinir ağı (CNN) modeline dayanan iki haftalık bir süreci kapsayan ve tek bir saatte 255 istasyon için hızlı bir tahmin yapabilen bir YZ sistemi geliştirilmiştir. Geliştirilen model ile eski sistem (CMAQ) karşılaştırıldığında, geliştirilen modelde ilk gün için 0,91 ve son gün için 0,78 ortalama tahmin doğruluğu elde edilirken buna karşın eski sistemde ise ilk gün için 0,77 ortalama tahmin doğruluğu elde edilmektedir¹. 

Araştırma ekibi, makine öğrenme algoritmasını geliştirirken özgün bir kayıp fonksiyonu kullandı. Kayıp fonksiyonu, kararı ilgili maliyetlerle eşleştirerek yapay zeka modelini optimize etmeye yardımcı olur. Bu projede YZ modeli için geleneksel kayıp fonksiyonlarını bir yana bırakarak “Gözlemciler Arası Anlaşma” (Interobserver Agreement, IOA) olarak bilinen anlaşma indeksini kullandılar. IOA, tahmin ve gerçek sonuçlar arasındaki değerlerin matematik bir karşılaştırılmasıdır.

Ekip üyeleri programın sonuçlarını kademeli olarak iyileştirirken testlerine geçmişteki üç yıllık (2014 – 2017) ozon verilerini de eklediler. Sayısal modelin ve IOA’nın kayıp fonksiyonun kombinasyonu olan YZ algoritması, benzer durumları önceden öğretilmiş veriler ile kıyaslayıp benzer durumları tanıyarak gerçek ozon koşullarının sonuçlarını doğru bir şekilde tahmin etmesini sağlamıştır. 

“Masanın üzerinde bulunan bir fincan sıcak çayı merak edip dokunan bir çocuğu düşünelim. Bardağa dokunduğu anda sıcak olduğunu hissedecek ve dokunulmaması gerektiğini düşünecek. Bu sayede çocuk deneyim kazandı, yani kendini eğitti.” diyen Sayeed, “Temelde bu durum YZ ile aynı anlamdadır. Tekrar testleriniz ve iyileştirmelerinizden sonra süreç zaman içinde YZ programı tarafından rafine edilir ve girdilerinize nasıl tepki vereceğini bilerek bir çıktı üretecektir. Yani çocuk bir daha fincan gördüğünde dokunmak için acele etmeyecektir.” diye ekledi. Sayeed’in bu sözleri üretilen CNN modelinin insan hafızasına ne kadar benzediğini de göstermektedir.

Ekip, Sayeed‘in YZ algoritmasına ozon koşullarını tanımayı ve yoğunluğunu tahmin etmeyi öğretebilmek adına zaman içinde daha iyi hale getirmek üzere gelişen bir süreç olarak tanımladığı üç yıllık ozon verilerini kullandı. “Bu şekilde hava kalitesini biliyorsak, toplumun geleceği için pek çok şey yapılabilir. Kim bilir belki de bu gezegen için kritik bir gelişme olacaktır ve iklim değişikliği sorununa nasıl çözüm üreteceğimize bir cevapta bulabiliriz. Hava kalitesi ve ozon yoğunluğu değerlerinin daha doğru ve güvenli tahminleri sonucu gezegenimizin geleceğini daha güvenli hale getirmeye yardımcı olabilir.” dedi Choi.

Mahmut Öğütcü

Kaynaklar

1. Sayeed, A., Choi, Y., Eslami, E., Jung, J., Lops, Y., Salman, A. K., Lee, J.-B., Park, H.-J., & Choi, M.-H. (2021). A novel CMAQ-CNN hybrid model to forecast hourly surface-ozone concentrations 14 days in advance. Scientific Reports, 11(1), 1–8. https://doi.org/10.1038/s41598-021-90446-6
2. https://phys.org/news/2021-06-artificial-intelligence-breakthrough-longer-advance.html