Staande met de rug naar de wind bevindt het hogedrukgebied zich aan de rechterhand, en het lagedrukgebied aan de linkerhand. De wet van Buys Ballot is inmiddels 167 jaar oud maar ik gebruik ’m nog elke dag. Zeker als ik bij de NOS de dagelijkse weersverwachtingen voor de satellietzender BVN maak en iets over het weer in Australië en Nieuw-Zeeland moet vertellen. Daar is de wet precies andersom en voor een noordelijk-halfrondmeteoroloog zijn die zuidelijke weerkaarten elke keer weer even schakelen. Buys Ballot houdt me daar op de been.
Christophorus Buys Ballot werd in 1817 als domineeszoon geboren in Zeeland. Het gezin verhuisde een paar jaar later naar Brakel in de Bommelerwaard. Christophorus was toen al bezig met stelselmatige waarneming. Dagelijks telde hij het aantal voetstappen op zijn 12 kilometer lange wandeling naar school in Zaltbommel. Het ging hem voor de wind, als wetenschapper in Utrecht. Toch begon zijn carrière wat te haperen, want in een brief aan een collega schrijft hij dat hij „…uit teleurstelling de meteorologie als speelpop ter hand genomen had”. Kennelijk met succes, want gelijk met de Amerikaanse wetenschappers Coffin en Ferrel vond Buys Ballot een wetmatig verband tussen de ruimtelijke verdeling van de luchtdruk, en de heersende windrichting. Zijn inzicht kwam niet door theoretische overpeinzingen of door wiskundige afleidingen. De wet van Buys Ballot is puur empirisch, ontstaan uit waarnemingen waarin hij een patroon ontdekte.
Heel grote afstand
Het ontstaan van de wet viel samen met de ontwikkeling van de elektrische telegraaf. Die uitvinding maakte de wereld razendsnel kleiner. Je kon voor het eerst gelijktijdige metingen op heel grote afstand van elkaar tegelijkertijd samenbrengen op één plek. Analyse van lange simultane meetreeksen leidde tot Buys Ballots oorspronkelijke formulering van de wet, over de gemeten barometerstanden: De rigting was of werd dan steeds Oostelijk (tusschen N.O. en Z.O.), als de stand hooger was te Groningen en te Helder dan te Maastricht, en steeds West of Zuidwest, als hij hooger was te Maastricht dan te Helder, bijna zonder uitzondering.
De wet van Buys Ballot is een vroege toepassing van big data. Een hoop gegevens verzamelen en daar een wetmatigheid in proberen te ontdekken. Ik denk daarom dat Buys Ballot enorm enthousiast was geworden van machine learning, meestal bekend als kunstmatige intelligentie of AI. Machine learning doet namelijk hetzelfde als wat Buys Ballot deed. Geef de computer een hoop gegevens, en laat die er een patroon in ontdekken.
De primitieve vorm van machine learning is al heel wat jaren oud. Je kunt een computer leren een poes op een foto te herkennen. Daarbij maakt de computer gebruik van een netwerk van getallen, dat door training met poezen- en andere foto’s sterkere en minder sterke verbindingen ontwikkelt. Op die manier wordt het netwerk van getallen geoptimaliseerd voor het herkennen van patronen die een poes kunnen voorstellen. Na miljoenen foto’s doet een computer dat heel goed en kan het netwerk op eigen benen staan. Je kunt dan een foto aanbieden aan het netwerk, en de computer schat of het een poes is of niet. Hoe de computer precies aan die vaardigheid komt blijft een zwarte doos. Er is geen variabele aan te wijzen die de snorharigheid of het spitseorengehalte van een dier op een foto beschrijft. Het is het geheel van tienduizenden betekenisloze getallen in een netwerk dat samen de poezendetectie doet.
Solide basis
Een nieuwe toepassing van machine learning is het maken van een weersverwachting. De huidige weersverwachtingen komen tot stand door het oplossen van een groot aantal gekoppelde wiskundige vergelijkingen. Elk daarvan heeft een solide basis in de natuurkunde. Je kunt al dat fysische begrip van de atmosfeer overboord gooien en vervangen door de zwarte doos van machine learning. De potentie daarvan lijkt groot. In recente publicaties worden neurale netwerken getraind door ze weerwaarnemingen te geven, en tegelijk daarbij de weersverwachting een paar dagen vooruit. De computer leert patronen herkennen, en na miljoenen testverwachtingen kan de computer zelf heel aardig een weersverwachting schatten op basis van de waarnemingen die je erin stopt. Sommige van dat soort weermodellen doen het inmiddels minstens zo goed als de traditionele. En dat in een fractie van de tijd die nu nodig is om een weersverwachting te berekenen. Je kunt dus bij wijze van spreken ieder kwartier een nieuwe verwachting maken: handig bij orkanen of ander extreem weer.
Of machine learning de weersverwachting revolutionair gaat veranderen, daarvan zijn ze bij de Met Office in het Verenigd Koninkrijk overtuigd. Die zijn een samenwerking met het prestigieuze wiskundige Alan Turing Institute aangegaan en investeren fors. Ook het KNMI investeert in deze technologie. Mocht machine learning inderdaad de weersverwachting op z’n kop zetten, dan bekijk ik die ontwikkeling met enige weemoed. Daarmee klink ik als een nostalgicus, die meer waarde hecht aan natuurkundige formules dan aan een zwarte doos. Maar waarschijnlijk heb ik het mis. Als Buys Ballot net zo conservatief had gedacht als ik, hadden we nooit meer iets van hem gehoord.
Peter Kuipers Munneke is glacioloog bij de Universiteit Utrecht en weerman bij de NOS
