Het was weer een jaar met wisselvallig weer. Warmte koepels het zuidwesten van de VS teisterde. Californië beleefde in oktober een "tweede zomer", met meerdere steden die hitterecords braken. Orkaan Helene - en slechts een paar weken later orkaan Milton - teisterde de Golfkust, met stortregens en ernstige overstromingen tot gevolg. Wat zelfs doorgewinterde meteorologen choqueerde, was hoe snel de orkanen heviger werden, met een die stikt zoals hij zei: “dit is gewoon afschuwelijk.”
Bij het voorbereiden op extreem weer telt elke seconde. Maar planningsmaatregelen zijn afhankelijk van nauwkeurige voorspellingen. Hier komt AI om de hoek kijken.
Deze week Google DeepMind onthulde een AI die het weer 15 dagen van tevoren in minuten voorspelt, in plaats van de uren die traditionele modellen doorgaans nodig hebben. In een rechtstreekse confrontatie met de Europees Centrum voor Weersvoorspellingen op de Middellange Termijn model (ENS) – de beste weersvoorspeller op de ‘middellange termijn’ van vandaag – won de AI in ruim 90 procent van de gevallen.
Het algoritme, dat GenCast wordt genoemd, is DeepMind's laatste uitstapje in weersvoorspelling. Vorig jaar hebben ze een versie ontketend met opvallend nauwkeurige voorspelling voor een 10-daagse prognose. GenCast onderscheidt zich door zijn machine learning-architectuur. Zoals de naam al doet vermoeden, is het een generatieve AI-model, ongeveer vergelijkbaar met die welke ChatGPT en Gemini aansturen, of afbeeldingen en video's genereren met een tekstprompt.
De opstelling geeft GenCast een voorsprong op eerdere modellen, die doorgaans één enkele weerspadvoorspelling bieden. GenCast daarentegen pompt 50 of meer voorspellingen uit, die elk een potentieel weerstraject vertegenwoordigen, terwijl hun waarschijnlijkheid wordt toegewezen.
Met andere woorden, de AI ‘beeldt’ zich een multiversum van toekomstige weersomstandigheden voor en kiest de weersvoorspelling met de grootste kans om zich voor te doen.
GenCast excelleerde niet alleen in het voorspellen van het weer van dag tot dag. Het versloeg ENS ook in het voorspellen van extreem weer: hitte, kou en hoge windsnelheden. Uitgedaagd met gegevens van Tyfoon Hagibis—de dodelijkste tropische cycloon die Japan in decennia heeft getroffen—visualiseerde GenCast mogelijke routes zeven dagen voor de landing.
"Aangezien klimaatverandering tot extremere weersomstandigheden leidt, zijn nauwkeurige en betrouwbare voorspellingen belangrijker dan ooit", schreef auteurs Ilan Price en Matthew Wilson in een blogpost op DeepMind.
Onzekerheid omarmen
Het voorspellen van het weer is notoir moeilijk. Dit komt grotendeels doordat het weer een chaotisch systeem is. U hebt misschien wel eens gehoord van het "vlindereffect": een vlinder slaat met zijn vleugels, veroorzaakt een kleine verandering in de atmosfeer en veroorzaakt tsunami's en andere weerrampen die een wereld van verschil vormen. Hoewel het slechts een metafoor is, benadrukt het dat kleine veranderingen in de oorspronkelijke weersomstandigheden zich snel kunnen verspreiden over grote gebieden, waardoor de weersresultaten veranderen.
Al tientallen jaren proberen wetenschappers deze processen na te bootsen met behulp van fysieke simulaties van de atmosfeer van de aarde. Door gegevens te verzamelen van weerstations over de hele wereld en satellieten, hebben ze vergelijkingen geschreven die de huidige schattingen van het weer in kaart brengen en voorspellen hoe deze in de loop van de tijd zullen veranderen.
Het probleem? De stortvloed aan gegevens duurt uren, zo niet dagen, om te kraken op supercomputersen verbruikt enorm veel energie.
AI kan misschien helpen. In plaats van de fysica van atmosferische verschuivingen of de wervelingen van onze oceanen na te bootsen, slurpen deze systemen decennia aan data op om weerpatronen te vinden. GraphCast, uitgebracht in 2013, legde meer dan een miljoen punten vast op het oppervlak van onze planeet om het weer van 10 dagen in minder dan een minuut te voorspellen. Anderen in de race om de weersvoorspelling te verbeteren zijn Huawei's Pangu-Weer en NowcastNet, beide gevestigd in China. De laatste schat de kans op regen met grote nauwkeurigheid in, een van de moeilijkste aspecten van weersvoorspelling.
Maar het weer is kieskeurig. GraphCast en andere vergelijkbare AI-modellen voor weersvoorspelling zijn daarentegen deterministisch. Ze voorspellen slechts één weerstraject. De weergemeenschap omarmt nu steeds vaker een 'ensemblemodel', dat een reeks mogelijke scenario's voorspelt.
"Zulke ensemblevoorspellingen zijn nuttiger dan vertrouwen op één enkele voorspelling, omdat ze besluitvormers een completer beeld geven van mogelijke weersomstandigheden in de komende dagen en weken en hoe waarschijnlijk elk scenario is", schreef het team.
Bewolkt met kans op regen
GenCast pakt de onzekerheid van het weer rechtstreeks aan. De AI vertrouwt voornamelijk op een diffusiemodel, een type generatieve AI. In totaal bevat het 12 statistieken over het aardoppervlak en de atmosfeer, zoals temperatuur, windsnelheid, vochtigheid en atmosferische druk, die traditioneel worden gebruikt om het weer te meten.
Het team trainde de AI op basis van 40 jaar aan historische weergegevens van een openbaar beschikbare database tot 2018. In plaats van om één voorspelling te vragen, lieten ze GenCast een aantal voorspellingen uitspuwen, die elk begonnen met een iets andere weersomstandigheid, een andere "vlinder", om het zo maar te zeggen. De resultaten werden vervolgens gecombineerd tot een ensemblevoorspelling, die ook de kans voorspelde dat elk weerpatroon zich daadwerkelijk zou voordoen.
Bij tests met weersgegevens uit 2019, die GenCast nog nooit had gezien, presteerde de AI beter dan de huidige leider, ENS, vooral voor langetermijnvoorspellingen tot 15 dagen. Gecontroleerd tegen geregistreerde gegevens, presteerde de AI beter dan ENS in 97 procent van de gevallen over 1,300 metingen van weersvoorspelling.
De voorspellingen van GenCast zijn ook razendsnel. Vergeleken met de uren op supercomputers die normaal gesproken nodig zijn om resultaten te genereren, produceerde de AI voorspellingen in ongeveer acht minuten. Als het systeem wordt geïmplementeerd, kan het waardevolle tijd toevoegen voor noodmeldingen.
All for One
Hoewel GenCast niet expliciet is getraind om extreme weerpatronen te voorspellen, was het wel in staat om het pad van tyfoon Hagibis te voorspellen voordat deze in centraal Japan aan land kwam. Een van de dodelijkste stormen In tientallen jaren overstroomde de tyfoon wijken tot aan de daken, omdat het water door de dijken brak en een groot deel van de elektriciteitsvoorziening in de regio uitviel.
De ensemblevoorspelling van GenCast was als een film. Het begon met een relatief breed scala aan mogelijke paden voor tyfoon Hagibis zeven dagen voor de landing. Naarmate de storm dichterbij kwam, werd de AI echter nauwkeuriger en werd het voorspellende pad smaller. Hoewel niet perfect, schetste GenCast een algemeen traject van de verwoestende cycloon dat nauw aansloot bij de geregistreerde gegevens.
Met een week aanlooptijd kan “GenCast substantiële waarde leveren bij beslissingen over
wanneer en hoe we ons moeten voorbereiden op tropische cyclonen", schreven de auteurs.
Nauwkeurige en langere voorspellingen helpen niet alleen bij de voorbereiding op toekomstige klimaatuitdagingen. Ze kunnen ook helpen bij het optimaliseren van de planning van hernieuwbare energie. Neem windenergie. Voorspellen waar, wanneer en hoe hard de wind waarschijnlijk zal waaien, kan de betrouwbaarheid van de energiebron vergroten, wat de kosten verlaagt en mogelijk de acceptatie van de technologie vergroot. In een proof-of-concept-analyse was GenCast nauwkeuriger dan ENS bij het voorspellen van de totale windenergie die werd gegenereerd door meer dan 5,000 windenergiecentrales over de hele wereld, waardoor de mogelijkheid ontstaat om windmolenparken te bouwen op basis van data.
GenCast is niet de enige AI-weerman. FourCastNet van Nvidia gebruikt ook generatieve AI om het weer te voorspellen met lagere energiekosten dan traditionele methoden. Google Research heeft ook talloze weersvoorspellingsalgoritmen ontwikkeld, waaronder Neurale GCM en SEEDS. Sommige worden geïntegreerd in Google-zoekopdrachten en -kaarten, waaronder regenvoorspellingen, bosbranden, overstromingen en hittewaarschuwingen. Microsoft sloot zich aan bij de race met ClimaX, een flexibele AI die kan worden aangepast om voorspellingen te doen van uren tot maanden vooruit (met variërende nauwkeurigheden).
Dit alles wil niet zeggen dat AI banen van meteorologen zal overnemen. Het DeepMind-team benadrukt dat GenCast niet mogelijk zou zijn zonder fundamenteel werk van klimaatwetenschappers en op fysica gebaseerde modellen. Om iets terug te doen, brengen ze aspecten van GenCast uit naar de bredere weergemeenschap om meer inzicht en feedback te krijgen.
Krediet van het beeld: NASA
- Door SEO aangedreven content en PR-distributie. Word vandaag nog versterkt.
- PlatoData.Network Verticale generatieve AI. Versterk jezelf. Toegang hier.
- PlatoAiStream. Web3-intelligentie. Kennis versterkt. Toegang hier.
- PlatoESG. carbon, CleanTech, Energie, Milieu, Zonne, Afvalbeheer. Toegang hier.
- Plato Gezondheid. Intelligentie op het gebied van biotech en klinische proeven. Toegang hier.
- Bron: https://singularityhub.com/2024/12/06/google-deepminds-new-ai-weatherman-tops-worlds-most-reliable-system/
