AI Presteert in Weersvoorspellingen: Kan het Onvoorspelbare Weersevenementen Voorspellen?

Krachtige AI-modellen verbeteren weersvoorspellingen – Steeds krachtiger wordende AI-modellen kunnen kortetermijn weersvoorspellingen met verrassende nauwkeurigheid maken. Neuralen netwerken baseren hun voorspellingen echter op patronen uit het verleden. Wat gebeurt er als het weer iets doet dat ongekend is in de geregistreerde geschiedenis?

Een nieuwe studie, geleid door wetenschappers van de Universiteit van Chicago in samenwerking met de New York University en de Universiteit van Californië, Santa Cruz, onderzoekt de grenzen van AI-gestuurde weersvoorspellingen. In onderzoek gepubliceerd op 21 mei in de Proceedings of the National Academy of Sciences, ontdekten zij dat neuralen netwerken geen weersomstandigheden kunnen voorspellen die buiten de reikwijdte van bestaande trainingsdata vallen. Dit kan leiden tot het missen van evenementen zoals 200-jaar overstromingen, ongekende hittegolven of enorme orkanen.

Deze beperking is van groot belang nu onderzoekers neuralen netwerken integreren in operationele weersvoorspellingen, vroegtijdige waarschuwingssystemen en langetermijnrisico-assessments. De auteurs van de studie benadrukken dat er manieren zijn om dit probleem aan te pakken door meer wiskunde en natuurkunde in de AI-tools te integreren.

“AI-weermodelen zijn een van de grootste prestaties van AI in de wetenschap. Wat we hebben ontdekt is dat ze opmerkelijk zijn, maar niet magisch,” zei Pedram Hassanzadeh, een universitair docent geofysische wetenschappen aan UChicago en een van de corresponderende auteurs van de studie. “We hebben deze modellen pas enkele jaren, dus er is veel ruimte voor innovatie.”

Beperkingen van AI bij ongebruikelijke weersomstandigheden – AI-modellen voor weersvoorspelling werken op een vergelijkbare manier als andere neuralen netwerken waarmee veel mensen nu interageren, zoals ChatGPT. Het model wordt “getraind” door een hoeveelheid tekst of beelden in te voeren en te vragen naar patronen. Wanneer een gebruiker het model een vraag stelt, kijkt het terug naar wat het eerder heeft gezien en gebruikt dat om een antwoord te voorspellen.

Wetenschappers trainen neuralen netwerken met tientallen jaren aan weersdata. Een gebruiker kan gegevens over de huidige weersomstandigheden invoeren en het model vragen om de weersvoorspelling voor de komende dagen. De AI-modellen presteren hierbij zeer goed, vaak met dezelfde nauwkeurigheid als de beste supercomputer-gebaseerde weermodellen, die 10.000 tot 100.000 keer meer tijd en energie verbruiken, aldus Hassanzadeh.

“Deze modellen doen het echt goed voor dagelijkse weersvoorspellingen,” voegde hij toe. “Maar wat als er volgende week een ongewoon weerfenomeen optreedt?”

Het probleem is dat het neuralen netwerk alleen werkt op basis van de weersdata die we momenteel hebben, wat ongeveer 40 jaar teruggaat. Dit is echter niet de volledige reikwijdte van mogelijk weer. “De overstromingen veroorzaakt door orkaan Harvey in 2017 werden bijvoorbeeld beschouwd als een gebeurtenis die eens in de 2.000 jaar voorkomt,” zegt Hassanzadeh. “Ze kunnen gebeuren.”

Wetenschappers verwijzen soms naar deze gebeurtenissen als “grijze zwaan”-evenementen. Ze zijn niet helemaal te vergelijken met een ‘zwarte zwaan’-gebeurtenis, zoals de asteroïde die de dinosauriërs uitroeide, maar ze zijn lokaal verwoestend.

Het team besloot de grenzen van de AI-modellen te testen met orkanen als voorbeeld. Ze trainden een neuraal netwerk met tientallen jaren aan weersdata, maar verwijderden alle orkanen sterker dan categorie 2. Vervolgens gaven ze het een atmosferische conditie die binnen een paar dagen zou leiden tot een categorie 5 orkaan. Kon het model extrapoleren om de kracht van de orkaan te voorspellen? Het antwoord was nee.

“Het onderschatte altijd het evenement. Het model weet dat er iets aankomt, maar het voorspelt altijd dat het slechts een categorie 2 orkaan zal zijn,” zegt Yongqiang Sun, onderzoekwetenschapper aan UChicago en de andere corresponderende auteur van de studie. Deze fout, bekend als een valse negatieve voorspelling, is een groot probleem in de weersvoorspelling. Als een voorspelling zegt dat een storm een categorie 5 orkaan zal zijn en het blijkt slechts een categorie 2 te zijn, betekent dit dat mensen geëvacueerd zijn die dat misschien niet hoefden te doen, wat niet ideaal is. Maar als een voorspelling een orkaan onderschat die uiteindelijk een categorie 5 blijkt te zijn, zouden de gevolgen veel erger zijn.

Waarom natuurkunde essentieel is voor weersvoorspellingen – Het grote verschil tussen neuralen netwerken en traditionele weer modellen is dat traditionele modellen de natuurkunde “begrijpen”. Wetenschappers ontwerpen ze om onze kennis van de wiskunde en natuurkunde die de atmosferische dynamica, straalstromen en andere fenomenen beheerst, te integreren. De neuralen netwerken doen dit niet. Net als ChatGPT, dat in wezen een voorspellende tekstmachine is, kijken ze simpelweg naar weerpatronen en suggereren ze wat er vervolgens kan komen, gebaseerd op wat er in het verleden is gebeurd.

Momenteel gebruikt geen enkele grote dienst uitsluitend AI-modellen voor voorspellingen. Maar naarmate hun gebruik toeneemt, moet deze tendens worden meegenomen, aldus Hassanzadeh. Onderzoekers, van meteorologen tot economen, beginnen AI te gebruiken voor langetermijnrisico-assessments. Ze kunnen bijvoorbeeld een AI vragen om veel voorbeelden van weerpatronen te genereren, zodat we de meest extreme gebeurtenissen kunnen zien die in de toekomst in elke regio kunnen optreden. Maar als een AI niets kan voorspellen dat sterker is dan wat het eerder heeft gezien, zou de bruikbaarheid voor deze kritieke taak beperkt zijn.

Desondanks ontdekten ze dat het model sterkere orkanen kon voorspellen als er enige precedent in de trainingsdata was, zelfs elders ter wereld. Als de onderzoekers bijvoorbeeld alle aanwijzingen van Atlantische orkanen verwijderden maar de Pacifische orkanen behielden, kon het model extrapoleren om Atlantische orkanen te voorspellen.

“Dit was een verrassende en bemoedigende bevinding: het betekent dat de modellen een gebeurtenis kunnen voorspellen die ongekend was in de ene regio, maar af en toe in een andere regio voorkwam,” aldus Hassanzadeh.

Toekomstige benaderingen van weersvoorspellingen – De oplossing, suggereerden de onderzoekers, is om wiskundige tools en de principes van atmosfeerfysica te integreren in AI-gebaseerde modellen. “De hoop is dat als AI-modellen echt de atmosferische dynamiek kunnen leren, ze in staat zullen zijn om grijze zwanen te voorspellen,” voegde Hassanzadeh toe.

Hoe dit te doen is een hot topic binnen het onderzoek. Een veelbelovende benadering die het team volgt, wordt actieve leermethode genoemd—waarbij AI helpt traditionele natuurkunde-gebaseerde weer modellen te begeleiden om meer voorbeelden van extreme gebeurtenissen te creëren, die dan kunnen worden gebruikt om de training van de AI te verbeteren. “Langere gesimuleerde of waargenomen datasets zullen niet werken. We moeten slimmer nadenken over manieren om data te genereren,” zei Jonathan Weare, professor aan het Courant Institute of Mathematical Sciences aan de New York University en mede-auteur van de studie. “In dit geval betekent dat het beantwoorden van de vraag: ‘waar moet ik mijn trainingsdata plaatsen om betere prestaties te bereiken bij extremen?'” Gelukkig denken we dat AI-weermodellen zelf, wanneer ze worden gekoppeld aan de juiste wiskundige tools, kunnen helpen deze vraag te beantwoorden.