Hoe kunstmatige intelligentie weersvoorspellingen stap voor stap verbetert
Elke weersvoorspelling die je op je telefoon ziet, begint met een rekensom die miljoenen metingen combineert. Dat gebeurt achter de schermen, elke zes uur, bij weercentra over de hele wereld. Een nieuw overzichtsartikel beschrijft hoe kunstmatige intelligentie dit proces nu verandert.
Het proces heet data-assimilatie. Simpel gezegd: een computermodel maakt een voorspelling van het weer, en die voorspelling wordt steeds bijgewerkt met nieuwe metingen. Denk aan temperatuur, luchtdruk en windsnelheid, gemeten door satellieten, weerballonnen en grondstations. Zonder die voortdurende bijstelling raakt een weermodel binnen een paar dagen volledig het spoor bijster.
Dat komt doordat het weer een chaotisch systeem is. Een piepklein verschil in de beginsituatie kan na een paar dagen tot een compleet ander voorspeld weerbeeld leiden. Daarom moeten weercentra continu nieuwe data invoeren om het model op koers te houden, ongeveer elke zes uur opnieuw.
Wat is er nieuw?
Onderzoekers combineren deze klassieke methode nu steeds vaker met machine learning, een vorm van kunstmatige intelligentie die patronen leert herkennen uit grote hoeveelheden data. Het artikel geeft een overzicht van de belangrijkste manieren waarop machine learning en data-assimilatie samen worden gebruikt.
Dit is nog een jong en snel groeiend vakgebied, schrijven de auteurs. Er bestaat dus nog geen vaste, uitgekristalliseerde methode. Verschillende onderzoeksgroepen experimenteren met verschillende aanpakken, en het artikel brengt deze voor het eerst overzichtelijk samen.
Een concreet voorbeeld: in plaats van dat traditionele wiskundige formules bepalen hoe metingen en modelvoorspellingen worden samengevoegd, kan een lerend algoritme die combinatie zelf verfijnen. Dat kan sneller werken en mogelijk beter omgaan met de enorme hoeveelheden data die moderne satellieten dagelijks verzamelen.
Dit artikel is een overzichtsstudie, geen nieuw experiment met concrete resultaten. Het laat zien welke methodes er bestaan en waar het vakgebied naartoe beweegt, maar het bewijst niet dat kunstmatige intelligentie de klassieke data-assimilatie al overal overbodig maakt. Operationele weercentra gebruiken vooralsnog grotendeels de traditionele methodes, met machine learning als aanvulling die nog volop in ontwikkeling is. Het is dus te vroeg om te concluderen dat weersvoorspellingen op korte termijn ingrijpend nauwkeuriger worden door deze technologie alleen.
Voor de gewone weergebruiker verandert er voorlopig weinig aan de app op je telefoon. Maar de kans is groot dat de voorspellingen van de komende jaren, stap voor stap, profiteren van deze combinatie van klassieke natuurkunde en lerende algoritmes. Weercentra testen dit soort technieken al, en het kan de basis vormen voor de volgende generatie weermodellen.
Bron: The interface of data assimilation and machine learning