Nieuwe kunstmatige intelligentie creëert weersvoorspellingen – forschung.de

Hoe verder je in de toekomst kijkt, hoe minder nauwkeurig de weersvoorspellingen worden: de betrouwbaarheid van de voorspellingen neemt al na een paar dagen af. Onderzoekers hebben machine learning nu gebruikt om een ​​AI-model te trainen dat met weinig rekeninspanning betrouwbare en snelle weersvoorspellingen voor tien dagen creëert. Het model, genaamd GraphCast, werd getraind op historische weergegevens en presteerde in tests beter dan de beste traditionele systemen. Hij kon zelfs extreme weersomstandigheden voorspellen, hoewel hij daar niet expliciet voor was opgeleid. Vanuit het oogpunt van de onderzoekers kan GraphCast traditionele systemen aanvullen en nieuwe uitdagingen overwinnen.

Weerdynamiek is een complex fysiek fenomeen dat van veel factoren afhangt, waaronder luchtdruk, vochtigheid, temperatuur en windsnelheid. Om het weer te voorspellen worden complexe modellen gebruikt die deze factoren met behulp van differentiaalvergelijkingen beschrijven en omzetten in algoritmen. Numerieke weervoorspellingsmodellen (NWP’s) worden tot nu toe beschouwd als de gouden standaard voor zo nauwkeurig mogelijke weersvoorspellingen. Ze worden gebruikt om voorspellingen te maken op basis van actuele weergegevens. Ze vereisen echter krachtige mainframecomputers, en elke optimalisatie vereist extra rekenkracht.

Trainen met historische gegevens

Een team onder leiding van Remy Lam van Google DeepMind in Londen heeft nu een model ontwikkeld met een andere aanpak. Hun GraphCast-model is gebaseerd op gekoppelde neurale netwerken die zijn getraind op historische weergegevens van 1979 tot 2017. Het systeem heeft geleerd hoe bepaalde combinaties van meteorologische parameters doorgaans evolueren en welke weersomstandigheden daaruit voortvloeien. Dit gebeurt zonder de complexe fysieke berekeningen waar traditionele modellen op vertrouwen. Hierdoor heeft een AI-systeem veel minder rekenkracht nodig: in plaats van meerdere mainframecomputers volstaat een voor deep learning ontwikkelde computerchip die nauwelijks groter is dan een postzegel.

In minder dan een minuut kan GraphCast weersvoorspellingen voor 10 dagen genereren met een resolutie van ongeveer 0,25 graden breedte- en lengtegraad, oftewel ongeveer 28 x 28 kilometer. Het huidige weer en het weer van zes uur geleden dienen als invoer. Op basis hiervan voorspelt het model hoe het weer over zes uur zal zijn. Dit resultaat wordt vervolgens teruggekoppeld naar het model en aangenomen als de nieuwe huidige toestand, op basis waarvan het weer over nog eens zes uur opnieuw wordt voorspeld – enzovoort.

Nauwkeuriger dan de vorige gouden standaard

Om te bepalen hoe betrouwbaar het AI-systeem was, vergeleken de onderzoekers het met het meest nauwkeurige traditionele weermodel voor de middellange termijn tot nu toe. Het resultaat: “In 90 procent van de gevallen presteerde GraphCast aanzienlijk beter dan het beste deterministische model tot nu toe”, rapporteerden de onderzoekers. “Het voorspelt ook beter extreme weersomstandigheden, waaronder tropische cycloonpaden en extreme hitte- en koudegolven, hoewel het daar niet speciaal voor is getraind.” De voorspellingen in de experimentele tests hebben betrekking op weersomstandigheden in 2018 die niet zijn opgenomen in de trainingsdataset.

Bij het maken van voorspellingen voor 2021 was GraphCast iets minder nauwkeurig, maar nog steeds even goed als het vorige beste model. De onderzoekers concludeerden dat het gunstig is om de nauwkeurigheid te garanderen als de trainingsgegevens zo actueel mogelijk zijn. Toen ze GraphCast aanvullend trainden op weergegevens tot 2020, verbeterden de prestaties van hun voorspellingen voor 2021. “Regelmatige bijscholing op basis van bestaande weergegevens maakt het mogelijk om weersverschijnselen vast te leggen die in de loop van de tijd veranderen, bijvoorbeeld als gevolg van… . Klimaatverandering”.

Aanvulling op traditionele modellen

De zwakte van GraphCast tot nu toe is echter de manier waarop het met onzekerheid omgaat, erkennen Lam en zijn collega’s. Net als bij normale weersvoorspellingen worden voorspellingen minder betrouwbaar naarmate ze verder in de toekomst gaan, maar het model kan nog niet de mate van onzekerheid aangeven. “Dit is een belangrijke volgende stap in de verdere ontwikkeling”, zeggen de onderzoekers. Ook willen ze in de toekomst de ruimtelijke resolutie van het model verbeteren.

Vanuit het oogpunt van het team vertegenwoordigt GraphCast een keerpunt in de weersvoorspelling, maar het is niet bedoeld om traditionele methoden te vervangen. “Eerdere voorspellingsmethoden zijn in de loop van tientallen jaren ontwikkeld, getest in veel scenario’s uit de echte wereld, en bieden veel mogelijkheden, waar we met veel daarvan nog geen rekening mee hebben gehouden”, schreven ze. “Ons werk is bedoeld om het bewijs te leveren dat machinaal leren in staat is de uitdagingen van reële voorspellingsproblemen aan te gaan en het potentieel heeft om de bestaande beste methoden aan te vullen en te verbeteren.”

Bron: Remy Lam (Google DeepMind, Londen, VK) et al., Science, doi: 10.1126/science.adi2336

© forschung.de – Elena Bernard