Slimme computermodellen vullen ontbrekende orkaandata aan
Je kent het wel: een puzzel met een paar ontbrekende stukjes. Precies dat probleem hebben wetenschappers met historische orkaandata. Van veel stormen uit het verleden mist een belangrijk gegeven: hoe groot het gebied met de allerhoogste windsnelheden precies was. Onderzoekers laten nu zien dat kunstmatige intelligentie die ontbrekende stukjes kan invullen.
Om te weten hoe gevaarlijk een orkaan is voor de kust, moet je meer weten dan alleen de windsnelheid. Ook de omvang van de storm is belangrijk. Een van de belangrijkste maten daarvoor heet de "radius van maximale windsnelheid", vaak afgekort tot Rmax. Dat is de afstand vanaf het oog van de storm tot de plek waar de wind het hardst waait. Hoe groter die afstand, hoe groter het gebied dat met de zwaarste windstoten te maken krijgt.
Het probleem: van veel orkanen uit het verleden is deze waarde nooit goed gemeten of genoteerd. Die gaten in de data maken het lastig om betrouwbare risicokaarten te maken voor kustgebieden, bijvoorbeeld voor het inschatten van overstromingsgevaar.
Wat deden de onderzoekers?
Een onderzoeksteam testte verschillende soorten deep learning-modellen. Dat zijn computerprogramma's die, net als een brein, patronen leren herkennen uit grote hoeveelheden voorbeelden. Ze gebruikten onder andere modellen die goed zijn in het herkennen van patronen in tijdreeksen, oftewel de manier waarop een storm zich in de tijd ontwikkelt.
Om de modellen te trainen, gebruikten ze eerst nepdata (synthetische datasets genaamd RAFT en STORM) en daarna echte, waargenomen stormgegevens uit de database IBTrACS om de modellen verder te verfijnen.
Wat werkte wel, en wat niet?
Een belangrijke ontdekking: als je het model ook informatie geeft over hoever de storm reikt bij windkracht 6 tot 7 op de schaal van Beaufort (dit heet R34), werkten alle modellen een stuk beter.
Ook bleek dat modellen die rekening houden met het tijdsverloop van een storm, beter presteerden dan modellen die dat niet doen. Dat is opvallend, want deze modellen hadden ongeveer tien keer minder trainingsvoorbeelden nodig om tot dat resultaat te komen. Vooral wanneer de R34-informatie ontbrak, bleek deze tijdsgevoelige aanpak een goed alternatief.
Eén ding werkte echter niet zoals gehoopt: het voortrainen van modellen op nepdata en die kennis daarna toepassen op echte data. De nepdata bleek namelijk systematisch kleinere en minder gevarieerde stormen te bevatten dan de werkelijke waarnemingen. Daardoor sloeg de aangeleerde kennis niet goed aan op echte stormen.
Wat betekent dit (nog) niet: Dit onderzoek laat zien dat deep learning veelbelovend is om ontbrekende orkaangegevens uit het verleden aan te vullen. Het betekent niet dat deze techniek al klaar is voor gebruik in officiële risicokaarten voor de kust. Ook is dit één onderzoek van één team, dat getest is op bestaande databases. Hoe de methode presteert bij toekomstige, nog onbekende stormen, moet nog verder blijken.
Voor kustbewoners en beleidsmakers is dit relevant omdat betere historische data leidt tot nauwkeurigere inschattingen van overstromingsrisico's. Hoe vollediger de puzzel van het verleden, hoe beter we kunnen voorspellen wat een storm in de toekomst kan aanrichten.