Met behulp van AI kan een weersverwachting sneller tot stand komen

Was met kunstmatige intelligentie de kracht van storm Poly eerder te zien geweest in de weersverwachtingen? Een weersverwachting wordt gemaakt met grote rekenmodellen. Die berekenen hoe de toestand van de atmosfeer de komende uren of dagen zal veranderen, op basis van natuurkundige principes rondom onder meer straling, wolken, wind en neerslag. Perfect is zo’n verwachting nooit, de altijd chaotische atmosfeer laat zich lastig doorrekenen. Vooral de precieze locatie van een bui is lastig te voorspellen.

Kunstmatige intelligentie kan het maken van verwachtingen de komende jaren wellicht flink verbeteren. Dat blijkt uit twee verschillende onderzoeken, over wereldwijde verwachtingen en lokale neerslag, die het wetenschappelijke tijdschrift Nature woensdag publiceerde.

Patronen herkennen

Kunstmatige intelligentie (AI) is buitengewoon geschikt om patronen te leren herkennen in grote hoeveelheden gegevens, wat al in tal van toepassingen is gebleken. Er worden dan ook volop experimenten gedaan om te zien of AI ook voor het maken van weersverwachtingen voordeel kan bieden. Lange tijd presteerde kunstmatige intelligentie echter onder de maat.

Het eerste onderzoek dat Nature nu publiceert, gedaan door onderzoekers van het Chinese bedrijf Huawei, laat een AI-weermodel zien dat wereldwijde verwachtingen kan maken tot een week vooruit. Het is getraind op maar liefst 39 jaar aan historische weersgegevens. De prestaties van het model zijn vergelijkbaar met die van bestaande weermodellen die op deze grote schaal verwachtingen maken.

Bijzonder is dat het AI-model 10.000 keer sneller resultaat geeft. Die snelheid is een belangrijk voordeel, omdat het draaien van bestaande weermodellen veel computerkracht vergt. Veel weerbureaus draaien voor een verwachting een aantal keer het model, met steeds net iets andere beginwaarden. De uiteindelijke verwachting is een kansverwachting op basis van die verschillende uitkomsten. Als dit proces zoveel sneller kan, scheelt dat computercapaciteit, tijd en energie.

Dit vond ik methodologisch behoorlijk vernieuwend

Maurice Schmeits KNMI

„Dit model baart in de meteorologische wereld wel opzien. Het was al even openbaar dus mensen hebben er al mee kunnen testen”, zegt Maurice Schmeits, die zich bij het KNMI bezighoudt met R&D op het gebied weermodellen en ook kijkt wat AI voor het KNMI kan betekenen. „De snelheid is indrukwekkend. De modellen die we nu gebruiken delen de wereld op in vakjes, en lossen per vakje allerlei wiskundige vergelijkingen op. Dat kost veel rekentijd, het gaat in stapjes van enkele minuten, tot 15 dagen vooruit. Het AI-model is getraind op heel veel data, dat kostte ook veel tijd, maar nu het eenmaal ontwikkeld is, is nog maar heel weinig rekenkracht nodig. Overigens leunt dit model nog steeds stevig op de gegevens van het Europees weercentrum, voor zowel de trainingsdata als de beginwaarden waar het AI-model mee rekent.”

„Op een aantal variabelen presteert het model heel goed, soms beter dan de beste mondiale weermodellen, en dat is echt een prestatie”, zegt Schmeits. „Maar de studie laat niets zien over neerslag, terwijl dat natuurlijk wel heel belangrijk is. Ik kan me voorstellen dat over een aantal jaar een soort hybride vorm gebruikt wordt voor dit soort verwachtingen. Dan worden AI-modellen bijvoorbeeld ingezet voor nabewerking van de uitkomsten uit de bestaande weermodellen om die zo te corrigeren, iets waar we bij het KNMI ook onderzoek naar doen.”

Hevige lokale buien

Het tweede onderzoek in Nature is helemaal gericht op het voorspellen van neerslag op korte termijn. Juist hevige lokale buien zorgen voor veel gevaar en overlast, dus verbeteringen op dit vlak zijn waardevol. De onderzoekers (van de University of California, Berkeley in de VS en de Tsingua universiteit in Beijing, China) maakten een zogeheten ‘nowcasting’-model. In zulke modellen wordt een gebied in kleine vakjes verdeeld en kort vooruitgekeken – in dit geval tot drie uur vooruit in vakjes van 2 bij 2 kilometer. Opvallend aan dit AI-nowcastingmodel is dat het niet alleen aan patroonherkenning doet, maar ook een beetje van de natuurkunde achter de processen in de atmosfeer meeneemt. Het AI-model presteert in 71 procent van de gevallen beter dan bestaande nowcastingmodellen.

„Dit vond ik methodologisch behoorlijk vernieuwend”, zegt Schmeits. „Doordat ook een beetje natuurkunde is meegenomen kun je betere verwachtingen krijgen dan AI die alleen kijkt naar neerslagbeelden van de radar. Onze huidige numerieke modellen zijn ook niet zo goed in nowcasting en het voorspellen van buien. Ook bij nowcasting zie ik een hybride vorm van de bestaande aanpak en AI-modellen best voor me.”

„Het nadeel van AI is dat het zo goed is als de data waarmee het getraind is. De vraag is hoe het omgaat met nieuwe extremen”, zegt Schmeits. „Door klimaatverandering krijgen we vaker te maken met extreem weer. Daarop kun je het model niet zo makkelijk trainen, daar moet iets slims op verzonnen worden.”