Meer trainingsdata helpt computers hagel beter voorspellen

Stel je voor: je staat op het punt de was buiten te hangen, en twintig minuten later valt er hagel zo groot als knikkers. Die extra twintig minuten waarschuwingstijd kunnen het verschil maken tussen een kapotte oogst en een tijdig beschermd gewas, of tussen een beschadigde auto en een auto die veilig in de garage staat. Onderzoekers keken nu naar een manier om computers hagel eerder te laten voorspellen, simpelweg door ze anders te trainen.

Voor het voorspellen van hagel op de korte termijn, dat heet een "nowcast", gebruiken meteorologen steeds vaker kunstmatige intelligentie (AI). Zo'n AI-model is een computerprogramma dat patronen leert herkennen uit grote hoeveelheden weergegevens uit het verleden. Op basis daarvan doet het voorspellingen over het weer dat eraan komt. Tot nu toe was onduidelijk hoe je zo'n model het beste kunt trainen om hagel goed te voorspellen.

Een onderzoeksteam onderzocht drie dingen die je kunt aanpassen zonder het AI-model zelf te veranderen: hoeveel jaren aan trainingsgegevens je gebruikt, of je de data kunstmatig vermenigvuldigt door bestaande weerbeelden te spiegelen en te draaien (dat heet "data-augmentatie"), en hoeveel eerdere tijdstippen het model meekrijgt om een voorspelling te maken.

De belangrijkste uitkomst: meer jaren trainingsdata maakten het grootste verschil. Bij voorspellingen die verder in de toekomst liggen, verbeterde de nauwkeurigheid met wel 25 minuten. Dat betekent dat mensen en boeren die extra tijd kunnen krijgen om zich voor te bereiden op naderende hagel.

Het kunstmatig vermenigvuldigen van data (spiegelen en draaien van beelden) hielp alleen wanneer er al veel data was. Bij kleinere datasets werkte het juist averechts: het model werd er slechter van, niet beter. Het aantal tijdstippen dat het model als input kreeg, maakte minder verschil dan het aantal jaren aan trainingsdata.

Wat betekent dit (nog) niet: Dit onderzoek laat zien hoe je een bestaand AI-model beter kunt trainen met de gegevens die je erin stopt. Het model zelf is niet aangepast of verbeterd qua opbouw. De resultaten komen uit één onderzoek en zijn nog niet in de praktijk bij weerdiensten getest. Ook zegt het onderzoek niets over hoe goed AI-modellen hagel voorspellen in vergelijking met de mens of met traditionele weermodellen in het algemeen.

Voor de praktijk is dit relevant, omdat het aangeeft waar toekomstige ontwikkelaars van hagelvoorspellers hun energie het beste in kunnen steken: niet per se in een ingewikkelder model, maar in het verzamelen van meer jaren aan trainingsdata. Dat kan uiteindelijk leiden tot nauwkeurigere waarschuwingen, waardoor mensen zich beter kunnen voorbereiden op hagelstormen.

Bron: Exploring the role of input data on hail nowcast skill using spatiotemporal neural networks