Uzaydan, Gezegenimizdeki Enerji Santrali Salımları Nasıl Takip Edilir?

Yazan: Heather D. Couture

Çeviren: Görkem Yıldız  

Düzenleyen: Betül Şevval Yazıcı

Özet: Sera gazı salımı ölçmek kolay ancak kaynağını tespit etmek zor. Uydulardan gelen görüntüleri ve yapay zekâyı kullanarak bu durum değişebilir.

Termik santraller, iklim değişikliğine sebep olan sera gazı salımını en büyük düzeyde yayan santral türlerinden birisidir. Toplamda sayısı 18.000’den fazla olan bu santraller, her yıl ortalama 15 milyar ton karbondioksit salarak küresel olarak sera gazı salımlarının %30’undan sorumludurlar. Ayrıca bu santraller, fosil yakıtları yakarak soluduğumuz havanın kalitesini ve halkın sağlığını önemli ölçüde düşürüyor. Çeşitli kalp ve solunum hastalıklarına sebep olan bu santraller, dünya çapında her 10 kişiden birinin akciğer kanserinden dolayı ölümünden sorumludur.

Hava kirliliğinin ve iklim değişikliğinin yarattığı olumsuz etkilerle baş edebilmek için bu salımların kaynağını anlamamız gerekir. Atmosferdeki karbondioksiti ve diğer gazları ölçmeye yarayan teknoloji hâli hazırda mevcut ancak kimin, neyi ne kadar ürettiğini kesin olarak tespit etmek için yeterince ayrıntılı bilgi vermiyor. Son zamanlarda, dünyanın herhangi bir yerindeki insan ürünü karbondioksit salımlarının kaynağını yüksek doğruluk oranlarıyla tespit etmek için “Climate TRACE” adında bir proje duyuruldu. ABD’nin Eski Başkan Yardımcısı Al Gore ve 9 kurumun da içinde bulunduğu bu oluşum, salımları takip etmek için şimdiden elektrik, ulaşım ve orman yangınları gibi sektörleri izlemeye başladı.

Salımları Uzaydan Görüntülemenin Şu Anki Sınırları

ABD, her bir enerji santralinden çıkan salımların verilerini halkla paylaşan çok az ülkeden biri. ABD’deki her büyük santralde salımları görüntüleyen ve çıkan verileri Environmental Protection Agency (Çevreyi Koruma Ajansı) ile paylaşan ekipmanlar var. Fakat bu ekipmanları kurmak ve çalışmasını sağlamak pahalıya mâl olduğu için çoğu ülke için elverişli değildir. Dolayısıyla diğer ülkeler, gerçek veriler yerine kabaca hesaplamaları yıllık olarak rapor ediyorlar. Bu da veri eksikliğine sebep oluyor.

Sera gazı salımlarını hesaplamak şaşırtıcı şekilde zordur. Her şeyden önce bu salımların hepsi insan ürünü değildir. Karbondioksit ve metan gazları, okyanus, volkan, bitki ve hayvan kaynaklı da olabiliyor. Kaynağını bilseniz bile miktarını belirlemek çetrefilli olabilir çünkü bu salımların miktarı yükselip alçalabiliyor, sabit değil. Enerji santralleri ise yerel talepler ve elektrik ücretlerine bağlı olarak üretim miktarlarını değiştirebiliyorlar.

Karbondioksit birikimi, iki farklı türde ölçülüyor: Hawaii’deki Mauna Loa gibi yerel ölçekte veya NASA’nın OCO-2 uydusu gibi küresel ölçekte. Uydular, direkt olarak birikimi ölçmek yerine, Dünya’dan yansıyan Güneş ışığının havadaki karbondioksit molekülleri tarafından ne kadar soğurulduğuna bakıyor, bir nevi tayfsal ölçüm. Tayfsal ölçümler, bölgesel karbondioksit birikimini haritalamakta büyük rol oynuyor. Bölgesel hesaplamalar, özellikle de herkesin evde kalma zorunluluğunun bulunduğu pandemi döneminde hava kirliliğinin azaldığını ortaya koyuyor.

Yine de bu gibi ölçümlerin kalitesi çok düşük. Örneğin, OCO-2 uydusunun yaptığı ölçümler, sadece 2,9 km²’lik bir alanı kapsıyor. Dolayısıyla her bir enerji santralinin ne kadar salım yaptığını ortaya koyamıyor. OCO-2, her bölge için günlük gözlem sağlayabiliyor ancak bulutlar, rüzgarlar ve diğer atmosferik değişimler verilerde doğruluk hassasiyetinin düşmesine sebep oluyor. Sağlıklı sinyaller almak ve bulanıklığı azaltmak için aynı alana aylarca farklı gözlemler yapılması gerekiyor.

Yapay Zekâyı, Enerji Santrali Salımları ile Nasıl Modelleriz?

Yüzlerce uydu ve düzinelerce uydu şebekeleri, her saniye ihtiyacımız olan yüksek çözünürlükteki görüntüleri yakaladıkları için çok şanslıyız. Dünya’yı gözleyen bu uyduların büyük bir çoğunluğu görünen ışık tayfında gözlem yapıyorlar. Ayrıca ısıyı ölçmek için de termal kameralar kullanıyorlar.

Uzmanların uydulardan gelen verileri incelemesi ve bunları diğer verilerle eşleştirmesi çok fazla vakit alan, pahalı ve hatalı olma ihtimali bulunan bir uğraştır. Yeni yapılan ve ön örnek aşamasında olan bir sistem, ilk olarak her gün 5.000 tane görüntü yakalayan 3 adet uydu şebekesinden gelen verileri inceliyor. Ek uydulardan gelen verilerle de birleştirdikçe elde edilen görüntü miktarı artıyor. Bazı gözlemler, birden çok dalga boyundan gelen verileri barındırdığı için analizin yapılmasını zorlaştırıyor. Hiçbir ekibin bu verileri makul bir zaman çerçevesinde işlemesi mümkün değil.

Yapay zekâyla birlikte oyunun kuralları değişti. Ekip, ses tanımada ve otonom araçlarda uygulanan derin öğrenme (deep-learning[1]) tekniğini kullanarak uydulardan gelen farklı dalga boyundaki görüntülerdeki salımı daha hızlı tahmin etmek ve modelleri çıkarmak için algoritmalar geliştiriyor. Algoritmanın öğrendiği modeller, uydunun tipine ve enerji santralindeki teknolojiye bağlı olarak değişiklik gösteriyor.

Ekip, geçmişe ait uydu görüntülerini santral tarafından rapor edilen enerji üretimiyle eşleştirerek yapay zekânın aralarındaki ilişkiyi anlamasını sağlayacak makine öğrenim modelini oluşturmaya çalışıyor. Böylece yapay zekâ, verilen görüntüyü kullanarak santralin enerji üretimini ve salımını tahmin edebilecek.

Danışman firma olan Pixel Scientia Labs’ın Makine Öğrenimi Kurucusu olan Heather D. Couture şunları söylüyor: “Enerji üretimleriyle ilgili saha araştırmaları, modellerimizi geliştirmek için yeterli sayıda bulunuyor. ABD ve Tayvan, salımları ve enerji üretimlerini saat başı rapor eden birkaç ülkeden sadece ikisi. Diğer ülkeler (Avustralya ve Avrupa’daki birkaç ülke) ise sadece enerji üretimlerini günlük olarak rapor ediyorlar. Enerji üretimini ve yakıt türünü bildiğimiz takdirde verilerin rapor edilmediği yerlerde de salımları tahmin edebiliriz.”

Enerji üretimleri bilinen santraller üzerinde modeller tamamen geliştirildiğinde bu modeller dünya çapında herhangi bir enerji santraline uygulanabilecek. Bu kapsamda algoritmalar, çeşitli uydular ve farklı türlerdeki enerji santrallerinden alınan veriler birleştirilerek belirli bir zamandaki salımları tahmin edebilecek şekilde geliştiriliyor.

Derin Öğrenme Modeli Uydu Görüntülerinde Ne Arayacak?

Geliştirilen model, tipik bir termik santralinin bacalarından dışarı çıkan sera gazlarının oluşturduğu dumanları fark edebiliyor. Fakat verimli ve salımı azaltmak için tedbirler alınan santrallerde dumanları fark etmek o kadar da kolay değil. Model, bu gibi durumlarda başka görüntüler ve termal belirtiler arıyor.

Modelin aradığı bir diğer belirti ise soğuma. Termik santraller, elektrik üreten türbinleri döndürmek amacıyla buhar oluşturan suları kaynatmak için yakıt kullanırlar. Sonrasında ise daha fazla elektrik üretmek amacıyla tekrar kullanılmak üzere soğuturlar. Soğutulma teknolojisine bağlı olarak su buharları, soğutma kulelerinde üretilebilir ya da ısı serbest bırakılabilir. Zaten bunlar ekibin de hem normal görüntüleme hem de termal görüntüleme kullanarak yakalamak istediği görüntüler.

Derin Öğrenme Modelini Dünya Çapında Uygulamak

Ekip, şimdiye kadar ABD’nin ve Avrupa’nın üretim verilerini kullanarak onaylanmış bir model seti oluşturdular. Farklı alanlardan gelen bilim insanlarından ve mühendislerden oluşan ekip, diğer ülkeler için saha araştırmaları verilerini toplamaya ve analiz etmeye devam edecekler. Oluşturdukları modelleri küresel olarak test etmeye başladıklarında, ülkelerin yıllık rapor ve yakıt tüketim verileriyle karşılaştırarak doğrulayacaklar. Öncelik olarak karbondioksit ile başlasalar da ileride diğer sera gazları için de uygulayacaklarını umuyorlar.

Danışman firma olan Pixel Scientia Labs’ın Makine Öğrenimi Kurucusu olan Heather D. Couture şunları söylüyor: “Hedefimiz, termik santral salımlarını küresel çapta azaltmak ve bu salımları yüksek doğrulukla tahmin etmek. ‘Climate TRACE’ bizim enerji santralleri projemizin bir parçası olarak gelişti ve şu anda 2021 ortalarına kadar her sektör için insan ürünü sera gazı salımlarının %95’ini karşılama gibi bir amacı var. Sırada ise salım verilerini halka açık yapma amacımız var. Yenilenebilir enerji uzmanları, güneş panellerinin en çok nerelerde etkisi olacağını bulmak için bu verileri kullanabiliyor olacaklar. Her vatandaş çevrelerindeki santrallerin iklim değişikliğine ne kadar etkisi olduğunu görebilecek ve belki de bu, 2021’de tekrar müzakereye açılacak olan Paris Anlaşması’nın[2] ilerlemesi konusunda yardımcı olacak.”

[1] Derin öğrenme (aynı zamanda derin yapılandırılmış öğrenme, hiyerarşik öğrenme ya da derin makine öğrenmesi) bir veya daha fazla gizli katman içeren yapay sinir ağları ve benzeri makine öğrenme algoritmalarını kapsayan çalışma alanıdır. (Kaynak: Vikipedi)

[2] Paris Anlaşması, 2015’te Paris’te yapılan Birleşmiş Milletler İklim Değişikliği Çerçeve Sözleşmesi içinde bir anlaşması. Amacı küresel ısınma 2 °C altında kalması.