Kunstmatige intelligentie: een revolutie in weermodellen-land?

Aangezien we het toch over kunstmatige intelligentie hebben, antwoord ChatGPT op de vraag: Wat voor impact gaan AI-modellen hebben op onze dagelijkse weersverwachtingen?

"AI-modellen zullen naar verwachting een aanzienlijke impact hebben op onze dagelijkse weersverwachtingen door deze nauwkeuriger en sneller te maken. Deze modellen kunnen complexe patronen in atmosferische gegevens identificeren en begrijpen, waardoor meteorologen beter in staat zijn om plotselinge weersveranderingen en extremen te voorspellen. Hierdoor kunnen mensen tijdig worden gewaarschuwd voor dreigende weersomstandigheden, wat de veiligheid en het welzijn van gemeenschappen zal verbeteren, vooral in geval van natuurrampen en extreme weersituaties."

Wat zijn de verschillen

Het bovenstaande antwoord van ChatGPT is misschien wat vaag. Om te begrijpen waarom weermodellen op basis van kunstmatige intelligentie revolutionair kunnen worden - en misschien al wel zijn - is het van belang de verschillen tussen zulke modellen en klassieke weermodellen te weten.

Zowel klassieke weermodellen als modellen op basis van machine learning (een specifieke tak van AI) gebruiken miljoenen observaties van bijvoorbeeld de temperatuur, luchtdruk en neerslag wereldwijd als uitgangspunt. Maar waar klassieke weermodellen de verwachtingen genereren op basis van natuurkundige en wiskundige vergelijkingen, zijn machine learning modellen getraind met historische weerdata. Door naar ontelbare situaties in het verleden te kijken - en de veranderingen die daarop volgden - kan zo'n model voor iedere uitgangsituatie een nieuwe output genereren, de verwachting. En op basis van die output kan de verwachting voor het volgende tijdstip worden gemaakt, enzovoorts.

Waar klassieke weermodellen de verwachtingen genereren op basis van natuurkundige en wiskundige vergelijkingen, zijn machine learning modellen getraind met historische weerdata.

Klassieke weermodellen zijn heel gevoelig voor de uitgangsituatie. Één klein verschil in de initiële waarde voor een bepaalde variabele kan door het toepassen van vele fysische vergelijkingen voor meerdere tijdstappen uitmonden in een enorm verschil in de verwachting op de lange termijn. Machine learning modellen werken met onder andere de herkenning van posities van lagedrukgebieden. Of de kern van het lagedrukgebied dan 10 kilometer noordelijker of zuidelijker ligt maakt voor het vervolg minder uit: het lagedrukgebied zelf zal zich niet ineens heel anders gaan gedragen.

Grote voordelen, maar ook minpunten

De voordelen van modellen op basis van kunstmatige intelligentie kunnen groot zijn. Een machine learning model kan een 10-daagse verwachting genereren in minder dan één minuut. Klassieke weermodellen doen vaak uren over een het creëren van een dergelijke uitvoer. Daardoor zou het mogelijk zijn om met de dezelfde rekenkracht véél meer modellen te kunnen runnen, waarmee de kwaliteit van de weersverwachtingen nog verder kan worden verbeterd.

Een onweersbui boven Rotterdam zou in de trainingsdata terecht komen als een lichte bui boven Zuid-Holland.

Aan de andere kant zijn er (voorlopig) ook een aantal nadelen. De trainingsdata voor zulke modellen is veelal afkomstig van de historische output van klassieke weermodellen. Die gegevens zijn vaak maar op een lage resolutie beschikbaar, waardoor ruimtelijke variatie in bijvoorbeeld neerslaghoeveelheden relatief slecht wordt weergegeven. Een onweersbui boven Rotterdam zou in de trainingsdata worden weergegeven als "een lichte bui boven Zuid-Holland".

Een praktijkvoorbeeld

De eerste vergelijkingen tussen een klassiek weermodel (ECMWF) en een machine learning model (GraphCast) zien er veelbelovend uit. Neem de grootschalige situatie van afgelopen nacht.

De verwachting van ECMWF negen dagen geleden zat behoorlijk naast, zie de vergelijking tussen de afbeeldingen linksboven en linksonder. Het model voorzag geen lagedrukgebied bij Italië en toonde een zwak hogedrukgebied zuid van IJsland in plaats van een lagedrukgebied. Het machine learning model GraphCast had daarentegen zowel het lagedrukgebied ten zuidwesten van IJsland als die bij Italië wél heel goed in de smiezen. Op een termijn van 9 dagen is dat een bijzonder indrukwekkende prestatie.

Het verwachtte grootschalig patroon en de temperaturen op 1.500 meter hoogte voor afgelopen nacht volgens ECMWF (linksboven) en GraphCast (rechtsboven) 9 dagen geleden, en de werkelijke situatie (links- en rechtsonder):

Aan de andere kant zijn er dus ook de minpunten. Bijvoorbeeld de neerslagverwachting voor afgelopen zaterdagnacht en -ochtend. Vooral in de kustgebieden viel behoorlijk wat neerslag en door stevige buien varieerden de neerslagsommen plaatselijk sterk. Waar de operationele run van ECMWF (links) aan de kust plaatselijk meer dan 10 mm liet zien, toonde GraphCast (rechts) hooguit 2 tot 4 mm in het Waddengebied met veel minder ruimtelijke variatie.

De verwachtte neerslag voor afgelopen zaterdagnacht en -ochtend volgens ECMWF (links) en GraphCast (rechts) op basis van de berekeningen van donderdag:

Pas het begin

De huidige ontwikkelingen van kunstmatige intelligentie op het gebied van weersverwachtingen zijn pas het begin. GraphCast is één van de eerste (experimentele) machine learning modellen, waarvan er waarschijnlijk nog vele zullen volgen. Bij het Europese weercentrum ECMWF zijn ze verder ook al bezig met pluimverwachtingen op basis van kunstmatige intelligentie.

Dat een model als GraphCast nu al goede resultaten geeft - en voor sommige doeleinden misschien wel beter dan klassieke modellen als ECMWF - is in ieder geval veelbelovend.