Weersverwachtingen op basis van kunstmatige intelligentie?
De weermodellen die menig meteoroloog gebruikt worden steeds beter. Een hogere resolutie en meer observaties zorgen voor steeds preciezere en accuratere verwachtingen. Één ding blijft wel hetzelfde, namelijk het feit dat het model rekent door natuurwetten toe te passen op de initiële stand van de atmosfeer. Dat zou binnenkort wel eens kunnen gaan veranderen. Een weermodel op basis van machine-learning (GraphCast) kan voor veel variabelen nu al een accuratere verwachting geven, met een rekentijd van minder dan 60 seconden.Uit een onlangs gepubliceerd wetenschappelijk rapport (link naar PDF) is gebleken dat het weermodel o.b.v. kunstmatige intelligentie al op ruim 99% van de belangrijkste variabelen beter scoort dan ECMWF, het beste numerieke weermodel ter wereld. Verder zijn de berekeningen veel sneller om uit te voeren, met een wereldwijde 10-daagse verwachting die in minder dan één minuut kan worden geproduceerd.
Kenmerken versus gridcellen
Een cruciaal verschil tussen het GraphCast-model en een model als ECMWF is hoe de verwachting tot stand komt vanuit de initiële stand van de atmosfeer. Bij de huidige, numerieke weermodellen worden natuurwetten toegepast op de initiële stand van de atmosfeer met behulp van gridcellen. Dat zijn een soort 'blokken' in de atmosfeer met één gemiddelde waarde, om de benodigde rekenkracht te reduceren. Het Europese weermodel ECMWF gebruikt bijvoorbeeld gridcellen van ongeveer 9 bij 9 kilometer (horizontaal) met 137 verticale niveaus. Voor al die gridcellen worden berekent hoe de situatie er op het volgende tijdstip uit zal zien.
Het GraphCast-model werkt heel anders. Het model is getraind met 39 jaar aan historische weergegevens via machine-learning. Het model kan daardoor bepaalde meteorologische kenmerken, zoals lagedrukgebieden, hogedrukgebieden en fronten herkennen. Met behulp van autoregressie - het voorspellen van toekomstige waarden op basis van waarden uit het verleden - wordt de verwachting gegenereerd. In plaats van alleen met getallen te werken, kijkt het GraphCast-model eigenlijk met een 'menselijk oog' naar de weerkaart om inschatten hoe bepaalde systemen zich zullen ontwikkelen en voortbewegen. Dat is de belangrijkste reden voor de meer accurate verwachtingen die het GraphCast-model geeft.
Betere resultaten op veel vlakken
Voor veel variabelen scoort het GraphCast-model al beter dan de beste traditionele tegenhanger, ECMWF. Het verschil tussen het GraphCast-model en de waarnemingen is meestal ongeveer 10 tot 30 procent kleiner dan wanneer de waarnemingen worden vergeleken met de verwachtingen van ECMWF. Relatief gezien wordt meeste winst gemiddeld geboekt op een termijn van 3 tot 5 dagen vooruit.
Een afbeelding uit het wetenschappelijke rapport, met (van links naar rechts) de verwachte luchtdruk voor 2, 6 en 10 dagen vooruit. De bovenste kaarten tonen de observaties, de twee volgende rijen resp. de verwachtingen van ECMWF en GraphCast. De twee rijen daaronder tonen de afwijking van resp. ECMWF en GraphCast t.o.v. de observaties. De afwijkingen zijn bij ECMWF groter dan bij GraphCast, zie de onderste grafiek.
Als wordt gekeken naar de resultaten over het jaar 2018, dan scoorde het GraphCast-model op 99,2 procent van de 1760 'doelen' beter dan ECMWF, momenteel het beste numerieke weermodel ter wereld. Onder die 'doelen' vallen variabelen als luchtdruk, geopotentiaal, windsnelheid, temperatuur en luchtvochtigheid op een hoogte van 0 tot ongeveer 15 kilometer.
Ook nog verbeterpunten
Hoewel de eerste resultaten van het GraphCast-model dus hoopgevend zijn, kunnen er ook zeker nog dingen worden verbeterd. Zo is de horizontale resolutie van deze versie ongeveer één waarde per 28 bij 28 kilometer, tegenover één waarde voor een gebied van 9 bij 9 kilometer voor de operationele run van ECMWF. Voor lokale verwachtingen is het dus nog niet geschikt.
Verder is de verwachting van extreme weergebeurtenissen een aandachtspunt. Omdat deze maar zelden voorkomen is het model daar dus minder goed op getraind. Wanneer GraphCast kan worden gebruikt door weerliefhebbers en meteorologen is nog even afwachten; het model is nu nog niet operationeel en/of publiekelijk toegankelijk.
Wetenschappelijk rapport van het GraphCast-model (in het Engels): PDF
