AI leert het weer voorspellen met slechts een handvol meetpunten
Je kent het wel: de weerapp voorspelt zon, maar het regent toch. Weersvoorspellingen zijn nooit perfect, onder andere omdat we niet overal metingen hebben. Boven de oceanen, in afgelegen gebieden en hoog in de lucht zijn er maar weinig meetpunten. Toch moeten computermodellen daar wel iets mee. Een onderzoeksteam heeft nu een nieuwe methode bedacht om met die schaarse data toch een betrouwbaar beeld van het weer te krijgen.
Weermodellen gebruiken een proces dat "data-assimilatie" heet. Dat is een wiskundige manier om metingen (van bijvoorbeeld weerballonnen en weerstations) te combineren met een model van hoe het weer zich normaal gedraagt. Zo vul je de gaten tussen de meetpunten logisch in. Dit proces gebeurt continu, en het is de basis onder elke weersvoorspelling die je op je telefoon ziet.
De onderzoekers gebruikten een AI-techniek die je misschien kent van het genereren van video's. Ze noemen het "latent video flow-matching". In gewone taal: de AI heeft geleerd hoe het weer er wereldwijd stap voor stap uitziet, alsof het naar acht dagen durende weer-video's heeft gekeken. Die video's zijn getraind op ERA5, een grote dataset met historische weergegevens van 69 verschillende variabelen, zoals temperatuur, wind en luchtdruk.
Het slimme zit hem hierin: omdat de AI een doorlopende "film" van het weer genereert, kan hij informatie logisch verspreiden tussen momenten waarop wél gemeten is en momenten waarop niet gemeten is. Stel je voor dat je maar om de paar uur een foto van een bewegende auto hebt. Als je weet hoe auto's rijden, kun je goed inschatten waar de auto tussendoor was. Zo werkt dit model ook, maar dan met het weer.
De onderzoekers testten dit met echte metingen van weerballonnen (uit de NOAA Integrated Global Radiosonde Archive) en grondstations (uit de Integrated Surface Database). Het resultaat: het model kan uit sporadische, verspreide waarnemingen een volledig beeld van het weer reconstrueren, inclusief meerdere mogelijke scenario's voor de toekomst (een zogeheten ensembleverspreiding). De prestaties waren vergelijkbaar met de beste bestaande modellen die specifiek gemaakt zijn om van waarnemingen naar voorspellingen te gaan.
Wat betekent dit (nog) niet: Dit is één onderzoek, geen kant-en-klaar product. Het model is nog niet getest in een echte, operationele weersdienst zoals het KNMI die gebruikt. De onderzoekers vergelijken hun resultaten met bestaande AI-modellen, niet met de allernieuwste traditionele natuurkundige weermodellen die nu wereldwijd draaien. Het duurt waarschijnlijk nog jaren voordat zo'n techniek, als hij al geschikt blijkt, in je dagelijkse weerbericht terechtkomt.
Toch is dit een interessante ontwikkeling. Betere data-assimilatie betekent uiteindelijk nauwkeurigere voorspellingen, ook voor gebieden waar weinig meetstations staan. Dat kan handig zijn bij het voorspellen van extreem weer op plekken die nu nog wat "blind" zijn voor de huidige modellen.
Bron: Multimodal Spatiotemporal Atmospheric Data Assimilation with Latent Video Flow-matching