Nieuwe AI-techniek maakt windvoorspellingen van klimaatmodellen preciezer
Je kent het wel: de weerapp voorspelt wind voor je hele regio, maar in jouw straat waait het toch anders dan een paar kilometer verderop. Datzelfde probleem speelt bij klimaatmodellen, maar dan op nog grotere schaal. Een onderzoeksteam heeft nu een nieuwe AI-methode ontwikkeld die dit probleem slimmer aanpakt dan voorgaande technieken.
Klimaatmodellen die het hele aardsysteem naboot (zogeheten Earth System Models) rekenen de aarde op in grote vlakken, vaak honderden kilometers breed. Voor windvoorspellingen is dat te grof. Wind gedraagt zich namelijk heel anders boven een heuvel dan boven een vlak stuk land, en die details gaan verloren in zulke grote rekenvlakken.
Om dit op te lossen, gebruiken wetenschappers al langer "downscaling": een techniek waarbij je grove voorspellingen vertaalt naar fijnmazige, lokale details. Bestaande AI-methoden hebben daarbij een belangrijke beperking. Ze zijn vastgeketend aan één specifieke resolutie, de grootte van de rekenvlakken waarmee het model werkt. Gebruik je een ander klimaatmodel met een andere resolutie, dan moet de AI opnieuw getraind worden.
Een flexibelere aanpak
De onderzoekers pakten dit anders aan. In plaats van de wind te zien als cijfers in vaste vakjes, behandelden ze het windveld als een continu patroon over de hele aardbol. Zo bouwden ze een "neurale operator": een AI-systeem dat leert hoe je van een grof patroon naar een fijn patroon gaat, ongeacht de resolutie waarmee je begint.
Het resultaat is een model dat beter presteert dan de bestaande standaardmethoden. Het herstelt fijne details in het windpatroon die normaal verloren gaan bij grove berekeningen. Nog opvallender: het werkt ook goed bij klimaatmodellen die de AI nog nooit eerder heeft gezien, en bij toekomstscenario's waar geen trainingsdata van bestaat. Dat is een nieuwe stap voor dit onderzoeksgebied, want normaal gesproken moet een AI-model opnieuw trainen zodra je het op nieuwe data loslaat.
Belangrijk is ook dat het model de langetermijntrends in windprojecties goed bewaart. Dat betekent dat de AI niet alleen lokaal preciezere details toevoegt, maar ook de grotere lijnen van hoe wind verandert over decennia heen, intact laat.
Dit is één onderzoeksteam dat een nieuwe technische methode test, geen definitieve doorbraak voor windvoorspellingen wereldwijd. De studie beschrijft vooral hoe goed het model wind reconstrueert in vergelijking met andere AI-technieken, niet hoe nauwkeurig het de daadwerkelijke toekomstige wind voorspelt. Concrete foutmarges voor specifieke regio's worden in de samenvatting niet genoemd. Het model moet nog verder getest worden voordat het breed ingezet kan worden door klimaatonderzoekers of windenergiebedrijven.
Voor de praktijk kan dit uiteindelijk relevant zijn. Nauwkeurigere lokale windvoorspellingen zijn bijvoorbeeld nuttig voor het plannen van windparken, of voor het inschatten van risico's bij extreme windstoten in specifieke gebieden. Omdat deze methode niet telkens opnieuw hoeft te trainen, kan het ook sneller en goedkoper toegepast worden op verschillende klimaatmodellen tegelijk.
Bron: Generalizable Neural Downscaling of Earth System Model Wind Fields via Continuous Dynamics Modeling