Het voorspellen van het weer is nog altijd een kwestie van ingewikkelde modellen die draaien op zware supercomputers en, uiteraard, veel metingen. Maar AI begint zijn intrede te doen, met soms al indrukwekkende resultaten.
Op 8 juli van dit jaar raasde Beryl met dodelijke kracht over Texas. De orkaan tilde huizen op als waren het speelgoedgebouwen, brak ontelbare bomen af en liet wegen onderlopen. Beryl veroorzaakte uiteindelijk tientallen doden, terwijl miljoenen Amerikanen zonder stroom kwamen te zitten.
Dat Beryl van zich zou laten horen, was op zichzelf geen verrassing. Een paar dagen eerder voerde het Amerikaanse National Hurricane Center (NHC) het waarschuwingsniveau nog op in verband met ‘levensgevaarlijke windsnelheden’ op plekken als Barbados, Haïti, Jamaica en Cuba. Geen woord echter over Texas.
Over de auteur
Laurens Verhagen is wetenschapsredacteur van de Volkskrant. Hij schrijft over technologie en de impact van kunstmatige intelligentie op de maatschappij.
Een paar dagen later nog altijd niet. De officiële waarschuwingen, gebaseerd op de metingen van vliegtuigen en satellieten en de daaropvolgende berekeningen van gigantische supercomputers, reppen dan van Mexico. Dezelfde dag voorspelt een AI-model echter al wel dat Texas zijn borst kan natmaken.
Het is geen incident: ook in september vorig jaar zijn het de alternatieve AI-modellen die als eerste voorspellen dat orkaan Lee zeven dagen later Nova Scotia zal bereiken. Dat geeft een ‘blik in de toekomst van de meteorologie’, zo citeert The Washington Post een expert.
Hoe is dit te rijmen met het gevoel van miljoenen Nederlanders dat weerapps zoals Buienradar ze af en toe flink in de steek laten en niet eens accuraat advies kunnen geven over een zomerbui die twee uur later zal losbarsten?
Waarom werken meteorologen niet al volop met AI? Het antwoord is ontnuchterend: omdat het daar nog veel te vroeg voor is, hoe veelbelovend de techniek ook lijkt. Vier lessen over het weer en AI.
Eerst maar even een korte cursus meteorologie. De (meerdaagse) verwachting die u op uw weerapp of op het journaal ziet, is het resultaat van metingen, ingewikkelde berekeningen en menselijke kunde.
Er worden continu ontelbare gegevens verzameld over de toestand van de atmosfeer – via een netwerk van weerstations op de grond, boeien in de zee, satellieten, boten en vliegtuigen. Deze data geven een momentopname van de omstandigheden op locaties over de hele wereld.
Vervolgens komt het zware werk: deskundigen voeden met deze gegevens computersimulaties, die vele uren kunnen duren. Het zijn complexe wiskundige modellen die de fysische processen in de atmosfeer nabootsen, zoals de luchtstroming, de vorming van wolken en de warmte-uitwisseling tussen de aarde en de lucht. De modellen berekenen hoe de atmosfeer zich in de komende periode zal ontwikkelen.
Hierna zijn het de mensen van vlees en bloed die de resultaten van verschillende modellen analyseren en ze interpreteren. Komt er bijvoorbeeld koude lucht vanuit het noorden naar een warmere regio? De meteoroloog kan dan tot de verwachting komen dat er regen of sneeuw zal vallen.
De praktijk is weerbarstig: het weer is een chaotisch systeem, wat betekent dat kleine fluctuaties op de langere termijn grote veranderingen kunnen veroorzaken.
De weersverwachtingen blijven waarschijnlijkheden en gemiddelden. Als voor een bepaalde dag in Nederland de kans op neerslag 50 procent is en de verwachte hoeveelheid 10 millimeter, dan wil dat zeggen dat er in grofweg de helft van de plekken neerslag zal vallen en dat er gemiddeld over Nederland 10 millimeter regen zal vallen.
Extra onzekerheid geeft de schaal van een weerfenomeen, legt Maurice Schmeits (datawetenschapper bij het KNMI) uit: ‘Grootschalige depressies zijn veel makkelijker te verwachten dan kleinschalige fenomenen, want die hebben een veel kortere levensduur.’ Dit speelt vooral bij buien, omdat neerslag van plaats tot plaats erg variabel kan zijn.
Vandaar dat de zware zomerse bui die de app precies boven uw locatie laat zien uiteindelijk 30 kilometer verderop kan vallen. Of andersom natuurlijk.
De klassieke benadering van meten en het nabootsen van fysische processen via wiskundige modellen bestaat inmiddels zo’n zeventig jaar. Wel zijn de computers een stuk krachtiger geworden. Hierdoor worden de weermodellen steeds nauwkeuriger en verbeteren de verwachtingen stapje voor stapje, stelt Schmeits.
Rond 2018 verschenen de eerste artikelen over de inzet van AI bij weersverwachtingen. Het voor de hand liggende idee: een systeem trainen met de grote hoeveelheden aan historische weergegevens die openbaar beschikbaar zijn.
Zo’n systeem leert aan de hand van die data patronen herkennen en, zo was de theorie, genereert dan adequate verwachtingen door actuele meetgegevens te combineren met wat het uit de historische patronen heeft geleerd. Het is in de basis vergelijkbaar met hoe een chatbot als ChatGPT werkt: zo’n taalmodel is gevoed met ontelbaar veel bestaande teksten en heeft zo patronen leren ontdekken, zonder dat iemand expliciet taalregels heeft hoeven toevoegen.
Deze aanpak kwam eind 2022 in een stroomversnelling, na de publicatie van studies van Huawei en vooral Google DeepMind. Het AI-model van Google, genaamd GraphCast, maakte voor 90 procent van de weervariabelen een betere tiendaagse verwachting dan het natuurkundige weermodel van het gezaghebbende European Center for Medium-Range Weather Forecasts (ECMWF), waarvan bijvoorbeeld ook het KNMI gebruikmaakt.
GraphCast werd getraind met 39 jaar aan historische weerdata van dit ECMWF. Daarvoor is weliswaar veel rekenkracht nodig, maar eenmaal getraind maakt GraphCast zijn verwachtingen in minder dan 1 minuut. Vooral dat laatste maakt indruk, omdat klassieke weermodellen uren nodig hebben om hun berekeningen uit te voeren en daardoor duur zijn in het gebruik.
Hierna was het hek van de dam. ‘Momenteel gaan de ontwikkelingen heel snel’, zegt Michiel Severin, meteoroloog bij Infoplaza (het bedrijf achter onder andere Weeronline en de populaire app Buienalarm). ‘In 2020 was ik bij een meteorologische conferentie in Boston. Toen had iedereen het ook al over machinelearning, maar op dat moment was de consensus dat het nog geen resultaat bood.’
Drie jaar later, in Denver, was de sfeer op het congres totaal omgeslagen, herinnert Severin zich: AI staat op het punt zich in de praktijk te bewijzen. Zelf experimenteert Infoplaza ook al met verschillende AI-modellen, zoals die van Nvidia en Huawei. Deze zijn ook voor het publiek te zien, onder het kopje ‘experimentele modellen’ op de site ImWeather.com.
‘Dit is onze speeltuin’, zegt Severin. ‘Wij gebruiken die modellen om een historie op te bouwen. Hoe goed zijn ze nu echt in de praktijk? We willen weten of ze ook in onze achtertuin werken en niet alleen op een of andere heel specifieke locatie. De enige manier om daarachter te komen, is door ze te vergelijken met bestaande modellen’.
Ondertussen zit ook het ECMWF niet stil. Het Europese centrum experimenteert inmiddels zelf ook met een eigen AI-weermodel, genaamd AIFS. Dit is onder meer gebaseerd op GraphCast. Ook het KNMI werkt hieraan mee.
Als AI in staat is om de structuur van vrijwel alle 200 miljoen bekende eiwitten in de natuur te voorspellen, ’s werelds beste go-speler te verslaan of overtuigende teksten te produceren, dan moet het voorspellen van het weer toch ook lukken? Nou nee, zover is het nog niet. Niet consequent in elk geval.
Een van de problemen waar de AI-modellen nog mee worstelen is de prognose van neerslag. Niet voor niets blinkt GraphCast uit in een groot aantal variabelen, maar nou net niet in regen. Traditionele modellen hebben daar ook al moeite mee. Leg Buienalarm en Buienradar maar naast elkaar en constateer de verschillen tussen deze twee apps.
Een extra moeilijkheid voor AI is het ontbreken van betrouwbare data, zegt Schmeits. ‘Omdat neerslag zo variabel kan zijn van plaats tot plaats, kun je heel grote gaten tussen de verschillende stations hebben. Minder ontwikkelde landen hebben geen uitgebreid radarsysteem zoals in Nederland, zodat je daar geen flauw idee hebt wat er in de gebieden tussen de stations is gevallen.’
Een ander gebied waar AI volgens Schmeits nu nog mee worstelt, is de verwachting van extremen. ‘Als een model op een bepaalde manier wordt getraind, neigt het naar het voorspellen van gemiddelden. Je wil immers nergens te veel afwijken van wat het weer uiteindelijk wordt.’ En juist die extremen zijn voor een instituut als het KNMI wel belangrijk, omdat het waarschuwingen afgeeft.
De toekomst van AI laat zich even lastig voorspellen als die van het weer. Toch wagen zowel Schmeits als Severin zich voorzichtig aan een blik in de glazen bol. Severin: ‘We staan echt pas helemaal aan het begin: hoe indrukwekkend ze soms nu al zijn, die AI-modellen zijn kinderschoenproducten. Over een paar jaar zijn ze de norm, daar ben ik van overtuigd.’
Wat niet wil zeggen dat de decennia oude fysische modellen zomaar overboord kunnen worden gegooid. ‘Onze aanpak moet niet worden gezien als een vervanging voor traditionele methoden voor weersverwachtingen’, stelden de onderzoekers van Google DeepMind bijvoorbeeld zelf in de studie over GraphCast die eind vorig jaar in vakblad Science verscheen.
Ze zien machinelearning als aanvulling op de traditionele modellen, zoals een radioloog ook niet blind zal varen op de inschattingen van AI bij de beoordeling van scans.
Een deze zomer gepresenteerd nieuw model, NeuralGCM, maakt van zo’n hybride aanpak zelfs zijn uitgangspunt. Het model combineert machinelearning met op natuurkunde gebaseerde methoden. Hiermee kan het weersverwachtingen op korte en middellange termijn maken.
Schmeits en Severin geloven ook wel in zo’n combinatie. En al helemaal bij het simuleren van het klimaat over een aantal decennia, iets wat modellen als NeuralGCM ook beloven.
Maar eerst maar eens die zomerse bui beter weten te voorspellen.
Geselecteerd door de redactie
Lees hier alle artikelen over dit thema
Source: Volkskrant