Nieuw AI-model brengt hitte in je eigen straat nauwkeuriger in beeld
Stel je voor: het is een hete zomerdag en je wilt weten hoe warm het precies wordt in jouw wijk. Niet in de dichtstbijzijnde grote stad, maar echt bij jou om de hoek. Dat is lastiger dan het klinkt. Huidige klimaatmodellen geven vaak maar één temperatuur voor een heel groot gebied, terwijl het in de schaduw van een park heel anders aanvoelt dan op een verhit plein vol asfalt.
Onderzoekers hebben nu een nieuwe rekenmethode ontwikkeld die dat probleem aanpakt. Ze gebruikten hiervoor een zogeheten diffusiemodel: een type kunstmatige intelligentie dat, vergelijkbaar met AI-beeldgeneratoren, stap voor stap een gedetailleerd beeld opbouwt uit ruwe data. In dit geval geen plaatje van een kat of landschap, maar een fijnmazige temperatuurkaart.
Waarom is dit lastig?
Weerstations die de temperatuur meten, staan vaak ver uit elkaar. Grote datasets zoals ERA5, die wetenschappers gebruiken om het weer wereldwijd te reconstrueren, houden geen rekening met kleine hoogteverschillen, gebouwen of type bodem. Daardoor missen deze modellen juist de details die bepalen hoe heet het écht wordt op een specifieke plek.
Het nieuwe model lost dit op door twee dingen te combineren. Het gebruikt brede data over het landschap en het weer, zoals hoogtekaarten en zoninstraling. Daarnaast stuurt het de berekening bij met de weinige directe metingen die wel beschikbaar zijn, van bijvoorbeeld een lokaal weerstation. Deze techniek heet score-based data assimilation: een wiskundige methode die het model tijdens het rekenen laat "bijsturen" richting bekende waarnemingen, zonder dat het hele systeem opnieuw getraind hoeft te worden.
Wat vonden de onderzoekers?
Het onderzoeksteam testte de methode in een gecontroleerde proefopstelling, met 32 testcases op basis van een Amerikaanse weerdataset (AORC). Zodra ongeveer 1 procent van de rastercellen in een gebied echte metingen bevatte, presteerde het nieuwe model beter dan zowel ERA5 als een eenvoudigere methode die simpelweg de dichtstbijzijnde meting gebruikt. De foutmarge (RMSE, een maat voor hoe ver voorspellingen gemiddeld van de werkelijkheid afliggen) kwam uit op 0,318 graden Celsius, tegenover 0,431 graden bij de vergelijkingsmethode. Het nieuwe model won in alle 32 geteste gevallen.
Belangrijk detail: bij nog minder metingen werkte een simpele interpolatie juist beter. De onderzoekers ontdekten ook dat je de "sturingskracht" van het model precies moet afstemmen op hoeveel metingen beschikbaar zijn. Stuur je te sterk bij, dan verslechtert de voorspelling juist snel en voorspelbaar.
Wat betekent dit (nog) niet
Dit is één onderzoek, uitgevoerd in een gecontroleerde testomgeving met kunstmatig opgezette scenario's ("synthetic-grid validation"). Het model is dus nog niet getest met echte, wisselvallige weerstationdata over meerdere jaren. De onderzoekers noemen dit zelf expliciet als volgende stap. Het is dus nog geen kant-en-klaar hulpmiddel voor bijvoorbeeld hitteplannen van gemeenten, maar wel een veelbelovende stap in die richting.
Als deze aanpak verder wordt ontwikkeld en getest, kan het in de toekomst helpen om hittegolven preciezer in kaart te brengen op straatniveau. Dat zou nuttig kunnen zijn voor het inschatten van gezondheidsrisico's bij extreme hitte, bijvoorbeeld voor kwetsbare groepen in binnensteden.
Bron: Steering Diffusion Priors with Sparse Observations for High-Resolution Temperature Downscaling