Slimme weersverwachtingen: is AI de toekomst?

Op de proef gesteld

Wetenschappers van het ECMWF (European Centre for Medium-Range Weather Forecasts) hebben drie AI-gebaseerde modellen getest door 10-daagse voorspellingen uit te voeren in een klimaat van het pre-industrieel, het heden en een 2,9 ºC warmere toekomst. Het werk, een krappe maand geleden gepubliceerd, werd deels uitgevoerd als onderdeel van het initiatief ‘Destination Earth’ (DestinE). Dit EU-project streeft ernaar om tegen 2030 een digitale replica van het aardsysteem te creëren.

De geteste AI-modellen zijn AIFS, GraphCast en PanguWeather (respectievelijk ontwikkeld door het ECMWF, Google Deepmind en Huawei Cloud). De drie modellen hebben laten zien dat ze beschikken over zeer goede voorspellingsvaardigheden onder verschillende klimatologische omstandigheden. Zelfs in situaties waar ze niet specifiek voor getraind zijn kunnen de modellen nieuwe data herkennen en verwerken, wat veel mogelijkheden biedt voor gebruik in klimaatonderzoek. De AI-gebaseerde modellen kunnen een sterke aanvulling vormen op de traditionele, natuurkunde-gebaseerde modellen.

De AI modellen tonen goede voorspellingen voor de wereldwijd gemiddelde 2m temperatuurontwikkeling. Wel hebben ze een koude bias in met name het toekomstscenario. Bron: DestinE (ECMWF)

Niet alleen voordelen

Voordelen zoals snellere rekenprocessen en betere prestaties bij voorspellingen op de lange termijn maakt de AI-modellen bijzonder nuttig voor toepassingen als het voorspellen van extreme weersomstandigheden. Door hun snelheid en lage rekenkosten kunnen de AI-modellen vaker worden gebruikt om weerscenario’s door te rekenen.

Evengoed zijn er nog enkele beperkingen aan AI-modellen. Ze hebben in bepaalde klimaatomstandigheden een bias door de manier waarop ze getraind zijn. Het is dus belangrijk de modellen te blijven trainen met meer diverse datasets. Ook hebben ze een relatief lage tijdsresolutie, waardoor ze niet geschikt zijn voor alle toepassingen. Bijvoorbeeld voor energievoorspellingen zijn tijdstappen per uur vereist, terwijl AI-modellen een resolutie van zes uur hebben.

Het ECMWF AI-model vervaagt details ten opzichte van het numerieke model, maar het gebied van mogelijke impact wordt goed weergegeven. Bron: Dexter Energy

AI-gebaseerde modellen zijn niet gebonden aan dezelfde fysische beperkingen als traditionele modellen, waardoor ze specifieke details kunnen ‘vervagen’. Terwijl traditionele modellen bijvoorbeeld proberen de exacte locatie van een regenbui te bepalen, voorspelt een AI-model het bredere gebied van mogelijke impact. Hierdoor wordt de algehele nauwkeurigheid van de voorspelling geoptimaliseerd, vooral bij het bekijken van voorspellingen verder in de tijd. Uitdagingen zoals deze worden aangepakt in lopend onderzoek, met als doel de nauwkeurigheid en robuustheid van de modellen te verbeteren.

Inzet in de toekomst

In de onderzoeken worden ook ensemblemodellen genoemd. Deze combineren meerdere voorspellingen om een breder scala aan mogelijke weerscenario’s te bieden. Dit verbetert de betrouwbaarheid van weersverwachtingen, met name voor extreme weersituaties. De verwachting is dat AI-ensembles in de toekomst een grotere rol gaan spelen omdat ze de voordelen van AI-modellen combineren met de probabilistische aanpak van ensemblevoorspellingen.

AI-modellen, zoals het Aurora-model van Microsoft, leveren weervoorspellingen 5000 keer sneller dan traditionele modellen. Deze modellen kunnen snel en kostenefficiënt betrouwbare voorspellingen maken voor gebeurtenissen als extreem weer. Een Europees AI-model voorspelde bijvoorbeeld de ontwikkeling van orkaan Francine bijna tien dagen voordat het traditionele modellen lukte. Er blijft wel werk aan de winkel voordat AI de huidige “gouden standaard” van modellen zoals het ECMWF kan vervangen. De modellen gebaseerd op natuurkunde blijven essentieel en het is waarschijnlijker dat de numerieke en AI-modellen elkaar aanvullen, dan dat AI het geheel gaat vervangen.