Een computermodel dat traditionele weersvoorspellingstechnologie combineert met machine learning heeft beter gepresteerd dan andere op kunstmatige intelligentie (AI) gebaseerde tools Het voorspellen van weerscenario's en klimaattrends op de lange termijn overschreden.

De tool, uitgebracht op 22 juli inNatuurwerd beschreven 1, is het eerste machine learning-model dat nauwkeurige weersvoorspellingen genereert – voorspellingen die een reeks scenario’s vertegenwoordigen. De ontwikkeling ervan opent de deur naar voorspellingen die sneller en minder energie-intensief zijn dan bestaande tools en gedetailleerder dan benaderingen die uitsluitend op AI zijn gebaseerd.

"Traditionele klimaatmodellen moeten op supercomputers draaien. Dit is een model dat je binnen enkele minuten kunt uitvoeren", zegt co-auteur Stephan Hoyer, die deep learning bestudeert bij Google Research in Mountain View, Californië.

De huidige voorspellingssystemen zijn doorgaans afhankelijk van algemene circulatiemodellen (GCM's), programma's die afhankelijk zijn van de wetten van de natuurkunde om processen in de oceanen en atmosfeer van de aarde te simuleren en te voorspellen hoe deze het weer en klimaat kunnen beïnvloeden. GCM's vereisen echter veel rekenkracht, en de vooruitgang op het gebied van machinaal leren biedt een efficiënter alternatief. “We beschikken over terabytes of petabytes (een miljoen keer groter dan een gigabyte) aan historische weergegevens”, zegt Hoyer. “Door van deze patronen te leren, kunnen we betere modellen bouwen.”

Er zijn al enkele voorspellingsmodellen voor machinaal leren, zoals Pangu-Weather, gemaakt door technologieconglomeraat Huawei, gevestigd in Shenzhen, China, en GraphCast van DeepMind met hoofdkantoor in Londen. Deze modellen hebben een vergelijkbare nauwkeurigheid als typische GCM's voor deterministische voorspellingen – een aanpak die één enkele weersvoorspelling genereert. GCM's zijn echter niet zo betrouwbaar voor ensemblevoorspellingen of klimaatvoorspellingen op de lange termijn.

“Het probleem met pure machine learning-benaderingen is dat je het alleen maar traint op gegevens die het al heeft gezien”, zegt Scott Hosking, die onderzoek doet naar AI en milieugegevens bij instituten in Londen. "Het klimaat verandert voortdurend, we gaan het onbekende tegemoet, dus onze machine learning-modellen moeten extrapoleren naar deze onbekende toekomst. Door natuurkunde in het model op te nemen, kunnen we ervoor zorgen dat onze modellen fysiek beperkt zijn en niets onrealistisch kunnen doen."

Hybride model

Hoyer en zijn team ontwikkelden en trainden NeuralGCM, een model dat “aspecten van een traditionele op fysica gebaseerde atmosferische oplossingsmethode combineert met enkele AI-componenten”, zegt Hoyer. Ze gebruikten het model om weersvoorspellingen en klimaatprojecties voor de korte en lange termijn te maken. Om de nauwkeurigheid van NeuralGCM te evalueren, vergeleken onderzoekers de voorspellingen ervan met gegevens uit de echte wereld en met de output van andere modellen, waaronder GCM's en modellen die puur op machinaal leren waren gebaseerd.

Net als de huidige machine learning-modellen zou NeuralGCM nauwkeurige, deterministische weersvoorspellingen voor de korte termijn kunnen produceren – tussen één en drie dagen van tevoren – terwijl hij een fractie van de energie zou gebruiken die GCM's nodig hebben. Het maakte echter veel minder fouten dan andere machine learning-modellen bij het maken van langetermijnvoorspellingen van meer dan zeven dagen. In feite waren de langetermijnvoorspellingen van NeuralGCM vergelijkbaar met de voorspellingen van het ensemblemodel van het European Centre for Medium-Range Weather Forecast (ECMWF-ENS), een GCM dat algemeen wordt beschouwd als de gouden standaard voor weersvoorspellingen.

Het team testte ook hoe goed het model verschillende weersverschijnselen, zoals tropische cyclonen, kon voorspellen. Ze ontdekten dat veel van de pure machine learning-modellen inconsistente en onnauwkeurige voorspellingen opleverden in vergelijking met zowel NeuralGCM als ECMWF-ENS. De onderzoekers vergeleken NeuralGCM zelfs met klimaatmodellen met hoge resolutie, bekend als mondiale stormoplossende modellen. NeuralGCM was in staat om in kortere tijd realistischere aantallen en trajecten van tropische cyclonen te produceren.

Het vermogen om dergelijke gebeurtenissen te voorspellen is “zo belangrijk voor het verbeteren van besluitvormingsvaardigheden en paraatheidsstrategieën”, zegt Hosking.

Hoyer en zijn collega's willen NeuralGCM verder verfijnen en aanpassen. "We hebben gewerkt aan de atmosferische component van het modelleren van het aardsysteem... Dit is misschien wel het deel dat het meest direct van invloed is op het dagelijkse weer", zegt Hoyer. Hij voegt eraan toe dat het team graag meer aspecten van de aardwetenschappen in toekomstige versies wil opnemen om de nauwkeurigheid van het model verder te verbeteren.