Nieuw computermodel voorspelt een maand vooruit hoe groen de natuur blijft
Kijk eens naar een landbouwveld of een bos in de zomer. Hoeveel blad daar groeit, bepaalt niet alleen de oogst, maar ook hoe het weer zich lokaal ontwikkelt. Planten nemen vocht op uit de grond en geven dat weer af aan de lucht. Hoe meer blad, hoe meer invloed op temperatuur en neerslag in de omgeving. Toch was het tot nu toe lastig om betrouwbaar te voorspellen hoeveel blad er over een paar weken zal zijn. Een groep onderzoekers heeft daar nu een nieuw hulpmiddel voor ontwikkeld.
De maat die wetenschappers gebruiken om plantengroei te meten heet de "bladoppervlakte-index". Dat is simpel gezegd het totale bladoppervlak van planten, gedeeld door de oppervlakte grond waarop ze staan. Hoe hoger dat getal, hoe dichter en gezonder de begroeiing. Deze index wordt gebruikt in klimaatmodellen en landbouwvoorspellingen, maar tot nu toe kon niemand hem op fijne schaal betrouwbaar vooruit voorspellen.
Een lerend model met geheugen
De onderzoekers bouwden een computermodel dat gebruikmaakt van kunstmatige intelligentie. Het model, een zogeheten ConvLSTM, combineert twee soorten techniek: eentje die goed is in het herkennen van patronen op een kaart, en eentje die goed "onthoudt" hoe iets zich in de tijd heeft ontwikkeld. Zo kan het model niet alleen naar het huidige landschap kijken, maar ook naar hoe de begroeiing de afgelopen tijd is veranderd.
Het model kreeg historische gegevens over bladgroei te zien, samen met dagelijkse weersinformatie zoals temperatuur en neerslag. Daarmee leerde het patronen herkennen en toekomstige groei te voorspellen. De onderzoekers testten dit op gebieden in het zuidelijk-centrale deel van de Verenigde Staten, een streek met heel verschillend klimaat en begroeiing: van bossen en graslanden tot struikgebied en landbouwgrond.
Tot dertig dagen vooruit, op straatniveau-schaal
Het model kan tot dertig dagen vooruitkijken, met een resolutie van 1 kilometer. Dat is fijnmazig genoeg om verschillen tussen aangrenzende akkers of bospercelen te laten zien. Op die termijn van dertig dagen was de gemiddelde afwijking van het model (uitgedrukt in een foutmaat die onderzoekers RMSE noemen) 0,36. Dat is meer dan een derde lager dan wanneer je simpelweg zou aannemen dat de situatie hetzelfde blijft als nu, de zogeheten "persistentie"-methode die vaak als vergelijkingsbasis dient.
Opvallend is dat het model in alle seizoenen en bij alle typen begroeiing ongeveer even goed presteerde. Of het nu om een bos ging, grasland, struikgebied of landbouwgrond: de voorspelling bleef betrouwbaar. Volgens de onderzoekers is dit de eerste keer dat zo'n gedetailleerde voorspelling, tot een maand vooruit, op deze schaal is aangetoond.
Wat betekent dit (nog) niet: Dit is één onderzoek, uitgevoerd in één regio van de Verenigde Staten. Het is nog niet bewezen dat het model net zo goed werkt in andere klimaatzones, zoals de tropen of noordelijke naaldwouden. Ook is dit geen voorspelling van oogstopbrengsten of droogte zelf, maar van bladgroei als tussenstap. Er is nog vervolgonderzoek nodig voordat dit model breed inzetbaar is voor bijvoorbeeld boeren of klimaatwetenschappers wereldwijd.
Toch is de uitkomst relevant. Betere voorspellingen van plantengroei kunnen helpen bij het inschatten van oogsten, het beheren van watervoorraden en het verbeteren van weer- en klimaatmodellen. Hoe beter je weet hoeveel blad er over enkele weken zal zijn, hoe beter je ook kunt inschatten hoeveel vocht er van de grond naar de lucht gaat, en dus hoe het lokale weer zich ontwikkelt.