Het machine-learningmodel van Google DeepMind, GraphCast, versloeg traditionele weersvoorspellingsmethoden met enige afstand in vroege tests.
Het weer nauwkeurig voorspellen is een moeilijke taak die exponentieel complexer wordt naarmate we meer dagen in de toekomst willen voorspellen.
Daarom vertrouwen meteorologische organisaties op 's werelds krachtigste supercomputers om de complexe voorspellende algoritmes te kraken die ons vertellen of het morgen wel of niet gaat regenen.
Het Integrated Forecasting System (IFS) model dat het European Centre for Medium-Range Weather Forecasts (ECMWF) gebruikt, wordt beschouwd als het meest nauwkeurige Europese weermodel. En GraphCast heeft het zojuist ruimschoots verslagen.
GraphCast was in staat om het weer 10 dagen van tevoren sneller en nauwkeuriger te voorspellen dan ECMWF in meer dan 90% van 1.380 verificatiedoelen.
Weten of je je paraplu mee moet nemen naar je werk is handig, maar extreme weersomstandigheden nauwkeurig voorspellen is waar GraphCast een significante impact zou kunnen hebben.
In september, toen orkaan Lee nog 9 dagen te gaan had voordat hij aan land zou gaan, werkten weerbureaus hard om te voorspellen welke stad het zwaarst getroffen zou worden door de storm.
Het IFS-model gaf een ruwe voorspelling dat de orkaan enkele steden in het noordoosten zou raken of mogelijk helemaal zou missen. Ondertussen voorspelde GraphCast dat orkaan Lee Nova Scotia zou treffen.
Pas 3 dagen later kwam IFS tot dezelfde conclusie, die uiteindelijk juist bleek te zijn. Stel je de verbetering voor van de inzet van middelen en hulpdiensten die een extra 3 dagen mogelijk zou maken.
Pushmeet Kohli, VP of research bij Google DeepMind: "Weersvoorspelling is een van de meest uitdagende problemen waar de mensheid al heel lang aan werkt. En als je kijkt naar wat er de afgelopen jaren is gebeurd met klimaatverandering, is dit een ongelooflijk belangrijk probleem."
We presenteren GraphCast: ons geavanceerde AI-model dat 10-daagse weersverwachtingen levert met een ongekende nauwkeurigheid in minder dan één minuut. 🌦️
Het kan zelfs helpen om de mogelijke paden van cyclonen verder in de toekomst te voorspellen.
Zo werkt het. 🧵 https://t.co/ygughpkdeP pic.twitter.com/0Y6DyBXDow
- Google DeepMind (@GoogleDeepMind) 14 november 2023
Hoe werkt het?
Traditionele modellen zoals IFS maken gebruik van "numerieke weersvoorspelling" (NWP). Hierbij worden enorme hoeveelheden weersensorgegevens verzameld die vervolgens worden ingevoerd in complexe vergelijkingen die door supercomputers worden verwerkt.
De vergelijkingen worden aangepast door teams van experts en worden steeds nauwkeuriger, maar ze vereisen nog steeds veel rekenkracht van de computer en het duurt lang om tot een voorspelling te komen.
NWP probeert in wezen algoritmen te gebruiken om te modelleren hoe de atmosfeer werkt om te voorspellen wat er gaat gebeuren.
Wat GraphCast doet is veel eenvoudiger, maar kan niet worden gedaan met traditionele vergelijkingen.
Het GraphCast-model maakt gebruik van MLWP (machine learning-based weather prediction) en is getraind op ongeveer 50 jaar aan historische weergegevens.
Het neemt dan die gegevens en in plaats van een model van onze atmosfeer te maken, zoekt het naar patronen in de gegevens. Een AI-model is heel goed in het vinden van subtiele patronen die vaste vergelijkingen onmogelijk kunnen detecteren.
GraphCast kijkt in principe naar de huidige weergegevens en zegt: "De laatste keer dat ik deze omstandigheden zag, was het volgende dat gebeurde..." en doet dan een voorspelling.
Het detailniveau, of de resolutie, van GraphCast voorspellingen is niet zo goed als traditionele modellen, maar het is een stuk nauwkeuriger en een stuk sneller.
Waar een supercomputer urenlang weergegevens zou moeten kraken om een voorspelling te doen, kan GraphCast een resultaat produceren in minder dan een minuut op een enkele Google TPU v4 machine.
MLWP is sterk afhankelijk van historische gegevens die zijn geproduceerd door traditionele NWP-modellen, dus het zal deze nog niet vervangen.
Het gebruik van een tool als GraphCast in combinatie met de huidige methoden zal echter helpen om extreme weersomstandigheden sneller en nauwkeuriger te voorspellen.
Google DeepMind maakt GraphCast open source en het wordt al gebruikt door ECMWF.
