Key takeaways

• Het nieuwe model gebruikt machine learning om ensemble-gebaseerde voorspellingen te doen.
• Het voorspelt extreme weersomstandigheden die verder gaan dan de gebeurtenissen die tijdens de trainingsperiode zijn waargenomen.
• Het GenCast-model presteerde beter dan traditionele methoden op 97,2 procent van de geëvalueerde voorspellingsgegevens.

Onderzoekers van Google DeepMind hebben een baanbrekend weermodel ontwikkeld dat de nauwkeurigheid van ’s werelds meest betrouwbare bestaande systeem overtreft. Deze prestatie betekent een belangrijke sprong voorwaarts in de weersvoorspellingstechnologie.

Het nieuwe model maakt gebruik van machine learning om ensemble-gebaseerde voorspellingen te doen, een techniek waarbij hetzelfde model met verschillende initiële condities wordt uitgevoerd om op waarschijnlijkheid gebaseerde projecties te genereren. In tegenstelling tot eerdere AI-modellen die een enkele deterministische voorspelling gaven, biedt deze benadering een reeks mogelijke uitkomsten, waardoor de nauwkeurigheid en bruikbaarheid van voorspellingen wordt verbeterd.

De mogelijkheden van het model

Opmerkelijk is dat het model in staat is om extreme weersomstandigheden te voorspellen die verder gaan dan de gebeurtenissen die tijdens de trainingsperiode zijn waargenomen. Dit suggereert dat het model in staat is om nauwkeurig ongekende klimaatgerelateerde gebeurtenissen te voorspellen die steeds waarschijnlijker en ernstiger worden door de opwarming van de aarde.

De integratie van AI-gebaseerde weersvoorspellingen in overheidsinstanties en particuliere bedrijven staat voor de deur. Deskundigen benadrukken echter dat menselijke meteorologen onmisbaar blijven vanwege hun unieke vermogen om complexe weermodelresultaten en waarnemingen te interpreteren. Hoewel AI-modellen zoals “GenCast” waardevolle inzichten bieden, zijn ze niet bedoeld om menselijke expertise volledig te vervangen.

Vergelijking met traditionele methoden

Het GenCast-model, beschreven in een Nature-studie, presteerde beter dan het hoog aangeschreven ensemble van het European Center for Medium-Range Weather Forecasts (ECMWF) op 97,2 procent van de 1.320 geëvalueerde voorspellingsparameters. Deze metingen omvatten voorspellingen van extreme weersomstandigheden, tropische cycloon tracks en windvermogen.

Traditionele weersvoorspellingen zijn sterk afhankelijk van natuurkundige modellen die complexe wiskundige vergelijkingen gebruiken om atmosferische processen te simuleren. Deze rekenintensieve modellen vereisen een aanzienlijke verwerkingstijd en worden uitgevoerd op krachtige supercomputers.

De toekomst van weersvoorspelling

AI-gestuurde modellen zoals GenCast maken daarentegen gebruik van enorme datasets over het weer en machine learning algoritmes, waardoor ze aanzienlijk sneller verwachtingen kunnen genereren – in slechts 8 minuten voor een ensembleverwachting. Deze flexibiliteit biedt een aantrekkelijk alternatief voor conventionele methoden.

Ondanks de vooruitgang wijzen sommige meteorologen op beperkingen in de uitvoer van GenCast, zoals het ontbreken van gedetailleerde projecties tussen intervallen van 12 uur, waardoor mogelijk cruciale weersinformatie ontbreekt.

De invloed van AI-ondersteunde weermodellen

De opkomst van AI-ondersteunde weermodellen van bedrijven als Nvidia en Microsoft betekent een paradigmaverschuiving in weersverwachtingen. Deze modellen zijn veelbelovend voor het verbeteren van de nauwkeurigheid en het bieden van waardevolle inzichten in weerpatronen.

Experts verwachten dat machine learning een revolutie teweeg zal brengen in probabilistische voorspellingen, een natuurlijke progressie ten opzichte van deterministische benaderingen.

Wil je toegang tot alle artikelen, geniet tijdelijk van onze promo en abonneer je hier!