Voor sectoren als waterbeheer, landbouw en energie is het een lang gekoesterde wens: betrouwbaar kunnen inschatten of de komende weken warmer, kouder, natter of droger dan normaal worden. Onderzoekers van het Amerikaanse National Center for Atmospheric Research (NSF NCAR) melden nu vooruitgang op dit terrein door kunstmatige intelligentie in te zetten voor zogeheten subseizoensverwachtingen — voorspellingen voor een periode van twee weken tot twee maanden vooruit. Hun studie is verschenen als preprint op arXiv.
- NSF NCAR gebruikt AI-emulatoren om weer twee weken tot twee maanden vooruit te voorspellen.
- De eerste emulator, CAMulator, genereert 480 gesimuleerde jaren per dag, zo’n 350 keer sneller dan het onderliggende klimaatmodel.
- De onderzoekers ontwikkelen een tweede versie, subCESMulator, die land- en oceaanvariabelen meeneemt.
Waarom deze termijn zo moeilijk te voorspellen is
Subseizoensverwachtingen vallen tussen twee stoelen. De dagelijkse weersverwachting van enkele dagen is inmiddels betrouwbaar, en klimaatmodellen kijken juist ver vooruit. De tussenliggende termijn van weken tot maanden bleef echter grotendeels buiten bereik. Nauwkeurige voorspellingen op deze schaal vereisen inzicht in langzaam veranderende, mondiale atmosferische patronen die sterk samenhangen met de toestand van de oceaan.
Wetenschapper Kirsten Mayer, die het onderzoek leidt, vergelijkt het met proberen te voorspellen waar een badeend heen drijft in een bad met een spetterende peuter: chaotisch en moeilijk. Zodra grootschalige signalen zichtbaar worden, wordt het eerder als voorspellen waar de eend heen gaat wanneer je een kraan met flinke druk opendraait — er blijft onzekerheid, maar bekende patronen maken de uitkomst beter voorspelbaar.
Emulatoren bootsen dure modellen na
Om die patronen te vangen, keren de onderzoekers zich tot AI-emulatoren. Zo’n emulator wordt getraind op bestaande simulatiegegevens uit weer- en aardsysteemmodellen en leert daarin onderliggende structuren herkennen. Eenmaal getraind kan hij toekomstige uitkomsten voorspellen tegen een fractie van de tijd en rekenkracht die weken durende simulaties op supercomputers normaal vergen.
De eerste emulator van NSF NCAR heet CAMulator en bootst het Community Atmosphere Model (CAM) na, een model dat de onderzoeksgemeenschap gebruikt om mondiale atmosferische omstandigheden te simuleren. CAMulator werd getraind op versie zes van dat model en kan volgens de onderzoekers 480 gesimuleerde jaren per dag genereren — ongeveer 350 keer sneller dan het origineel.
Het systeem werkt iteratief: op basis van beginomstandigheden en voorgeschreven zeewatertemperaturen maakt het een verwachting voor zes uur, waarna die uitkomst opnieuw wordt ingevoerd voor de volgende zes uur. Dat proces herhaalt zich zo vaak als nodig. Een bekend knelpunt daarbij is dat kleine fouten zich opstapelen naarmate de voorspelling verder in de toekomst reikt, waardoor de nauwkeurigheid afneemt.
Grote klimaatpatronen worden herkend
Toch blijkt CAMulator goed in het vangen van grootschalige, langzaam veranderende patronen, waaronder El Niño-Southern Oscillation (ENSO), het Pacific–North American-patroon en de Noord-Atlantische Oscillatie. Dergelijke patronen gelden als een bewezen bron van voorspelbaarheid op subseizoensschaal.
Dat een AI-systeem deze patronen kan reproduceren, wijst erop dat het in principe kan bijdragen aan bruikbare voorspellingen voor de lastige tussentermijn.
Toegankelijker onderzoek als grootste belofte
Volgens Mayer ligt een belangrijke waarde in de lage rekenkosten. “Deze emulatoren zijn een geweldig wetenschappelijk instrument waarmee we vragen kunnen stellen die we eerder niet konden stellen vanwege de rekenkracht die traditionele modellen vereisen”, aldus Mayer. Omdat ze zo weinig rekenkracht vragen, zouden CAMulator en de opvolger subCESMulator op een moderne laptop moeten kunnen draaien. Dat zou betekenen dat individuele onderzoekers eigen simulaties kunnen uitvoeren zonder toegang tot een grote supercomputer.
Het team test CAMulator inmiddels in een internationale competitie, de AI Weather Quest, waarin teams strijden om de nauwkeurigste AI-gebaseerde subseizoensverwachtingen. Parallel werken de onderzoekers aan subCESMulator, met een vrijwel identieke architectuur maar aangevuld met interactieve land- en oceaanvariabelen. Mayer hoopt dat die extra informatie de nauwkeurigheid van de voorspellingen verder verbetert.
Zou u vertrouwen op een weersverwachting van weken vooruit als AI die mogelijk maakt? Deel uw gedachten over de rol van kunstmatige intelligentie in meteorologie.
