Nieuw AI-model verbetert regenvoorspellingen door rechtstreeks naar satellieten te kijken
Je hebt het vast wel eens meegemaakt: de weerapp voorspelt droog weer, maar toch valt er een flinke bui. Regen is namelijk een van de lastigste dingen om te voorspellen, ook voor de nieuwste weermodellen die met kunstmatige intelligentie (AI) werken. Een onderzoeksteam heeft nu een nieuw AI-model ontwikkeld dat daar duidelijk beter in blijkt te zijn.
Moderne AI-weermodellen zijn de afgelopen jaren flink verbeterd. Ze kunnen bijvoorbeeld steeds beter voorspellen hoe warm het wordt of welke kant de wind op waait. Neerslag blijft echter een lastig punt. Dat komt vooral doordat deze modellen meestal leren van zogeheten reanalysedata: berekende schattingen van het weer in het verleden, die vaak best onzeker zijn als het om regen gaat.
Het onderzoeksteam bouwde een nieuw model, genaamd Prithvi-Precip, dat voortbouwt op een bestaand AI-fundamentmodel voor het weer. Ze onderzochten twee dingen. Ten eerste: wat gebeurt er als je het model laat leren van neerslaggegevens die rechtstreeks uit satellietmetingen komen, in plaats van uit die onzekere reanalysedata? Ten tweede: wat gebeurt er als je satellietwaarnemingen niet alleen gebruikt om het model te trainen, maar ook rechtstreeks invoert op het moment dat het een voorspelling maakt?
Beide aanpassingen bleken de voorspellingen beter te maken. Om dit te controleren, gebruikten de onderzoekers onafhankelijke metingen van regenradar, dus niet de data waarmee het model zelf getraind was. Trainen op satellietdata gaf nauwkeurigere voorspellingen dan trainen op de oudere reanalysedata (een systeem dat MERRA-2 heet). Het rechtstreeks invoeren van actuele satellietwaarnemingen zorgde voor extra verbetering, vooral bij voorspellingen voor de korte termijn. De grootste winst zat in de tropen en de gebieden daar net omheen, waar veel van 's werelds hevige regenval voorkomt.
Vergeleken met een bestaand voorspellingssysteem van de Amerikaanse ruimtevaartorganisatie NASA (het Goddard Earth Observing System) presteerde het nieuwe model duidelijk beter. Het onderzoeksteam ontdekte ook dat de manier van trainen belangrijk is: het model leert beter als het stap voor stap leert om zijn eigen voorspelling steeds opnieuw als basis te gebruiken voor de volgende stap, in plaats van dat het direct wordt getraind om een voorspelling te doen voor een vaste tijd vooruit.
Wat betekent dit (nog) niet: Dit is één onderzoek van één team, dat nog niet in een vakblad is beoordeeld door andere wetenschappers. Het model is getest tegen bestaande systemen, maar dat betekent niet dat het morgen al in je weerapp zit. Ook geeft de samenvatting geen precieze percentages of foutmarges voor de verbetering, alleen dat de verbetering "substantieel" is ten opzichte van bestaande methodes. Verder onderzoek moet uitwijzen hoe goed dit model werkt onder alle weersomstandigheden en in alle regio's.