AI-gebaseerde weersvoorspelling overtreft traditionele methoden: een doorbraak in meteorologie

Voor het eerst heeft een AI-model, genaamd GraphCast, ontwikkeld door Google DeepMind, traditionele weersvoorspellingsmethoden overtroffen in het voorspellen van wereldwijde weersomstandigheden tot 10 dagen vooruit1. Deze prestatie suggereert dat toekomstige weersvoorspellingen aanzienlijk nauwkeuriger kunnen worden, met hogere snelheid en lagere kosten.

De kracht van GraphCast

GraphCast maakt gebruik van een “graph neural network” machine learning-architectuur en is getraind op meer dan vier decennia aan historische weergegevens van het European Centre for Medium-range Weather Forecasts (ECMWF) 1. Het model verwerkt de huidige en zes uur oude wereldwijde atmosferische toestanden en genereert in ongeveer een minuut een 10-daagse voorspelling op een Google TPU v4 cloudcomputer1. In een uitgebreide evaluatie presteerde GraphCast beter dan het ECMWF-systeem in 90% van de 1.380 gebruikte statistieken, waaronder temperatuur, druk, windsnelheid en -richting, en luchtvochtigheid op verschillende atmosferische niveaus1.

Voordelen en beperkingen

Een van de belangrijkste voordelen van GraphCast is de efficiëntie. Het systeem verbruikt ongeveer 1.000 keer minder energie in vergelijking met traditionele methoden1. Ondanks de vooruitgang kent GraphCast ook beperkingen. Het presteerde niet beter dan conventionele modellen in alle scenario’s, zoals de plotselinge intensivering van orkaan Otis1. Bovendien kunnen wereldwijde AI-modellen vanwege technologische beperkingen nog geen voorspellingen maken die zo gedetailleerd of fijnmazig zijn als traditionele modellen2.

Toekomstige ontwikkelingen

De onderzoekers van Google DeepMind zien hun AI-gebaseerde benadering als een aanvulling op de huidige weersvoorspellingstechnieken1. ECMWF is van plan om zijn eigen AI-model te ontwikkelen en te onderzoeken hoe het kan worden geïntegreerd met zijn numerieke weersvoorspellingssysteem1. Ook het UK Met Office werkt samen met het Alan Turing Institute aan de ontwikkeling van een graph neural network voor weersvoorspellingen, dat in de toekomst in hun supercomputerinfrastructuur zal worden geïntegreerd1.

Veelgestelde vragen en uitleg van termen

Wat is een graph neural network?

Een graph neural network is een type machine learning-architectuur dat speciaal is ontworpen om gegevens te verwerken die zijn gestructureerd als een graaf, een wiskundige structuur die bestaat uit knooppunten en randen. In het geval van GraphCast wordt deze architectuur gebruikt om de complexe relaties tussen verschillende weervariabelen te modelleren.

Wat zijn de beperkingen van AI-gebaseerde weersvoorspellingen?

AI-gebaseerde weersvoorspellingen hebben enkele beperkingen, zoals het niet beter presteren dan conventionele modellen in alle scenario’s en het niet kunnen maken van voorspellingen die zo gedetailleerd of fijnmazig zijn als traditionele modellen12. Bovendien hebben AI-modellen transparantieproblemen, aangezien meteorologen nog niet in de “black box” van het AI-model kunnen kijken en precies kunnen zien waarom het de voorspelling maakt die het doet2.

Hoe verhoudt AI zich tot machine learning?

AI, of kunstmatige intelligentie, verwijst naar de ontwikkeling van intelligente systemen die taken kunnen uitvoeren die mensachtige intelligentie vereisen. Machine learning is een specifieke subset van AI die zich richt op het trainen van algoritmen om te leren van gegevens en specifieke taken uit te voeren zonder expliciete programmering. In het geval van weersvoorspelling is machine learning de meest relevante benadering binnen AI.

Referenties

1https://arstechnica.com/science/2023/11/ai-outperforms-conventional-weather-forecasting-for-the-first-time-google-study/

2https://www.washingtonpost.com/weather/2023/11/14/weather-forecasting-artificial-intelligence-google/