Een aantal van de allergrootste bedrijven ter wereld hebben een golf van weermodellen op basis van machine learning losgelaten.
Deze voorspellingen vormen een uitdaging voor de traditionele, op natuurkunde gebaseerde computervoorspellingen die in de loop van vele decennia stapsgewijs zijn ontwikkeld en verbeterd.
Maar zijn de modellen voor machinaal leren wel goed?
Voor ons Britten is het weer een nationale obsessie. Dat is ook niet zo vreemd, gezien de enorme veranderingen die we van de ene op de andere dag zien en voelen.
Nauwkeurige weersvoorspellingen zijn niet alleen van groot belang voor de planning van ons dagelijks leven. Als we weten welke extreme weersomstandigheden eraan komen, kunnen we ons gedrag veranderen, levens redden en schade aan eigendommen beperken.
Het is onmogelijk om de volledige economische waarde van weersvoorspellingen wereldwijd in te schatten, maar de aantallen zijn enorm.
Volgens de NOAA (National Oceanic and Atmospheric Administration) bedroegen de gevolgen van extreem weer in de VS alleen al - en als we alleen de grootste weerrampen meerekenen die meer dan 1 miljard dollar (£740 miljoen) aan schade veroorzaakten - in 2024 182 miljard dollar, met 568 doden.
Sinds 1980 bedraagt ??de schade bijna 3 biljoen dollar.
In het Verenigd Koninkrijk waren er in 2024 1.311 extra sterfgevallen als gevolg van hittegolven.
Een onderzoek van consultants, externLondon Economics concludeerde dat het Met Office de Britse economie in tien jaar tijd £ 56 miljard aan voordelen zou opleveren door het leveren van meteorologische diensten.
Als je dit soort getallen over de hele wereld toepast, waar een groeiende bevolking wordt blootgesteld aan steeds extremer weer als gevolg van klimaatverandering, dan zie je dat het weer big business is.
De grootste computers ter wereld
Traditionele weersvoorspellingen worden geproduceerd op een aantal van de grootste supercomputers ter wereld; het supercomputercontract van het Met Office is £ 1,2 miljard waard.
Voor dat enorme bedrag kunt u een machine kopen die 60 biljard (60.000.000.000.000.000) berekeningen per seconde kan uitvoeren, een model kan draaien dat de begrepen natuurkunde bevat, met meer dan een miljoen regels code en 215 miljard weerswaarnemingen.
Wereldwijde weermodellen werken door de getallen in een raster van vakjes rondom de planeet te verwerken. De grootte of resolutie van deze vakjes varieert per meteorologisch model, maar varieert van ongeveer 10 tot 28 vierkante kilometer (3,86 tot 10,81 vierkante mijl).
Met deze resolutie kunnen ze buien niet nauwkeurig voorspellen, terwijl bergketens lager en gladder zijn dan in de echte wereld.
Het model met de hoogste resolutie van het Met Office, de UKV (het model dat de BBC TV-grafieken gedurende de eerste 48 uur uitvoert), kan buien voorspellen met een ongelooflijke resolutie van 1,5 km (0,9 mijl). Het kost echter zoveel rekenkracht en tijd dat dit model niet voor de hele wereld kan voorspellen. In plaats daarvan concentreert het zich op het Verenigd Koninkrijk en Europa.
Zijn machine learning-weermodellen nuttig?
Weermodellen op basis van machine learning bestaan ??pas een paar jaar, maar ze zijn veelbelovend omdat ze zich razendsnel ontwikkelen.
Traditionele modellen draaien urenlang op peperdure supercomputers, maar deze nieuwe generatie modellen draait in minder dan een minuut op een standaardlaptop. Ze hoeven niet alle 'lastige' natuurwetten te kennen, maar worden getraind op 40 jaar aan data uit het verleden om hun voorspellingen te doen.
Hoe presteren ze?
Laten we eens kijken naar de voorspellingsverificatiegegevens van het ECMWF (Europees Centrum voor weersvoorspellingen op middellange termijn) voor atmosferische drukpatronen in de winter van 2024/2025., extern.
GraphCast (Google), AIFS (ECMWF) en Aurora (Microsoft) waren nauwkeuriger dan de traditionele IFS (ECMWF) benchmarkvoorspelling, terwijl FourCastNet (Nvidia) en Pangu-Weather (Huawei) achterbleven.
Sommige modellen voor machinaal leren presteerden dus beter en andere slechter, maar dat hangt ervan af welke variabele je bekijkt. Bovendien kan dit allemaal snel veranderen als de voortgang versnelt.
Net als traditionele modellen worden AI-modellen minder nauwkeurig naarmate ze verder in de toekomst proberen te voorspellen – een gevolg van de chaotische aard van de atmosfeer. Kijkend naar de toekomst van 10 dagen, kon geen van de AI-modellen (of traditionele modellen) voorspellingen doen die als zeer nuttig werden beschouwd qua nauwkeurigheid.
Is het tijd om afscheid te nemen van op natuurkunde gebaseerde weermodellen?
Nog niet.
Machine learning-weermodellen worden niet alleen getraind met behulp van data van traditionele weermodellen, maar gebruiken ook de startpositie van de atmosfeer uit traditionele modellen als invoerpunt. Met andere woorden: zonder die traditionele modellen zouden de machine learning-modellen niet zo goed werken.
Alle machine learning-modellen kunnen grootschalige verschijnselen zoals hoge en lage druk zes dagen van tevoren heel goed voorspellen. Bij kleinere schaalniveaus van 1000 km of kleiner kunnen ze echter slechter presteren dan traditionele modellen.
Dat betekent dat belangrijke elementen zoals troggen en bergruggen gemist kunnen worden, wat het verschil maakt tussen een droge dag of een dag met veel regen.
De meeste machine learning-modellen hebben een resolutie van 28 vierkante kilometer, dezelfde schaal als de data waarop ze getraind zijn. Dit betekent dat kleine elementen zoals buien waarschijnlijk over het hoofd worden gezien, waardoor ze een overstroming in Boscastle niet dagen van tevoren kunnen voorspellen.
Krantenkoppen beweren dat deze nieuwe modellen orkanen beter voorspellen dan traditionele modellen.
Het is mogelijk dat sommige modellen beter zijn in het voorspellen van de aanlanding van orkanen dan de traditionele modellen, maar tegelijkertijd zijn ze erg slecht in het voorspellen van de windkracht en dus de waarschijnlijke schade die de storm zou aanrichten.
Dit kan het resultaat zijn van het gladstrijken of middelen van het bekijken van de vele orkanen in de trainingsgegevens van 40 jaar.
AI-modellen kunnen moeite hebben met het voorspellen van de effecten van zeldzame gebeurtenissen die in de afgelopen 40 jaar aan trainingsdata niet vaak zijn waargenomen. Een voorbeeld hiervan is de uitbarsting van Mount Pinatubo in 1991 , die de planeet gedurende twee jaar tot wel 0,5 °C afkoelde.
Er zijn ook vragen over hoe goed AI-modellen voorspellingen zullen doen in een warmere wereld, nu onze planeet blijft opwarmen als gevolg van klimaatverandering. Het klimaat uit het verleden waarop ze getraind hebben, zal er heel anders uitzien dan ons toekomstige klimaat, omdat broeikasgassen zich in de atmosfeer blijven ophopen.
Waar zullen we over vijf jaar staan?
"Ik denk dat we traditionele modellen naast AI-modellen zullen laten draaien, zodat we hun gecombineerde krachten kunnen bundelen en uiterst nauwkeurige, lokale voorspellingen kunnen doen die snel worden geleverd wanneer u ze nodig hebt", aldus professor Kirstine Dale, hoofd AI bij het Met Office.
Machine learning-modellen bestaan ??nog niet zo lang, maar ze hebben door hun snelheid, computerefficiëntie en snelle ontwikkeling veel potentieel.
