Google DeepMind AI zorgt voor supernauwkeurige weersvoorspellingen voor 10 dagen

Dit jaar was een non-stop optocht van extreme weersomstandigheden. Ongekende hitte overspoelde de aarde. Deze zomer was de heetste op aarde sinds 1880. Van plotselinge overstromingen in Californië en ijsstormen in Texas tot verwoestende bosbranden in Maui en Canada: weersgerelateerde gebeurtenissen hadden een grote invloed op levens en gemeenschappen.

Elke seconde telt als het gaat om het voorspellen van deze gebeurtenissen. AI zou kunnen helpen.

Deze week Google DeepMind heeft een AI vrijgegeven dat 10-daagse weersvoorspellingen levert met ongekende nauwkeurigheid en snelheid. Het model heet GraphCast en kan honderden weergerelateerde datapunten voor een bepaalde locatie doorzoeken en binnen een minuut voorspellingen genereren. Toen de AI werd uitgedaagd met meer dan duizend potentiële weerpatronen, versloeg hij de modernste systemen in ongeveer 90 procent van de gevallen.

Maar GraphCast gaat niet alleen over het bouwen van een nauwkeurigere weer-app voor het uitkiezen van kledingkasten.

Hoewel niet expliciet getraind om extreme weerpatronen te detecteren, heeft de AI verschillende atmosferische gebeurtenissen opgepikt die verband houden met deze patronen. Vergeleken met eerdere methoden kon het cycloontraject nauwkeuriger worden gevolgd en atmosferische rivieren worden gedetecteerd: pezige gebieden in de atmosfeer die verband houden met overstromingen.

GraphCast voorspelde ook het begin van extreme temperaturen ruim vóór de huidige methoden. Met 2024 zal nog warmer worden en de toenemende extreme weersomstandigheden kunnen de voorspellingen van de AI gemeenschappen waardevolle tijd geven om zich voor te bereiden en mogelijk levens te redden.

“GraphCast is nu het meest nauwkeurige 10-daagse mondiale weersvoorspellingssysteem ter wereld en kan extreme weersgebeurtenissen verder in de toekomst voorspellen dan voorheen mogelijk was”, aldus de auteurs. schreef in een DeepMind-blogpost.

Regenachtige dagen

Het voorspellen van weerpatronen, zelfs slechts een week vooruit, is een oud maar uiterst uitdagend probleem. Veel beslissingen baseren we op deze voorspellingen. Sommige zijn ingebed in ons dagelijks leven: moet ik vandaag mijn paraplu pakken? Andere beslissingen zijn van leven of dood, zoals wanneer het bevel moet worden gegeven om te evacueren of ter plaatse te schuilen.

Onze huidige voorspellingssoftware is grotendeels gebaseerd op fysieke modellen van de atmosfeer van de aarde. Door de fysica van weersystemen te onderzoeken, hebben wetenschappers een aantal vergelijkingen geschreven op basis van tientallen jaren aan gegevens, die vervolgens in supercomputers worden ingevoerd om voorspellingen te genereren.

Een prominent voorbeeld is het Integrated Forecasting System van het Europees Centrum voor Weersverwachtingen op Middellange Termijn. Het systeem maakt gebruik van geavanceerde berekeningen op basis van ons huidige begrip van weerpatronen om elke zes uur voorspellingen te doen, waardoor de wereld beschikt over enkele van de meest nauwkeurige weersvoorspellingen die beschikbaar zijn.

Dit systeem “en moderne weersvoorspellingen in het algemeen zijn triomfen van wetenschap en techniek”, schreef het DeepMind-team.

Door de jaren heen zijn op natuurkunde gebaseerde methoden snel nauwkeuriger geworden, deels dankzij krachtigere computers. Maar ze blijven tijdrovend en kostbaar.

Dit is niet verrassend. Het weer is een van de meest complexe fysieke systemen op aarde. Je hebt misschien wel eens gehoord van het vlindereffect: een vlinder klapt met zijn vleugels en deze kleine verandering in de atmosfeer verandert het traject van een tornado. Hoewel het slechts een metafoor is, geeft het de complexiteit van weersvoorspellingen weer.

GraphCast pakte het anders aan. Vergeet de natuurkunde, laten we alleen maar patronen vinden in weergegevens uit het verleden.

Een AI-meteoroloog

GraphCast bouwt voort op een type neuraal netwerk dat is eerder gebruikt om andere op fysica gebaseerde systemen te voorspellen, zoals vloeistofdynamica.

Het bestaat uit drie delen. Eerst brengt de encoder relevante informatie, bijvoorbeeld de temperatuur en de hoogte op een bepaalde locatie, in kaart in een ingewikkelde grafiek. Zie dit als een abstracte infographic die machines gemakkelijk kunnen begrijpen.

Het tweede deel is de processor die leert informatie te analyseren en door te geven aan het laatste deel, de decoder. De decoder vertaalt de resultaten vervolgens naar een real-world weervoorspellingskaart. In totaal kan GraphCast weerpatronen voor de komende zes uur voorspellen.

Maar zes uur is geen tien dagen. Hier is de kicker. De AI kan leren van zijn eigen voorspellingen. De voorspellingen van GraphCast worden als input naar zichzelf teruggekoppeld, waardoor het weer verder in de tijd geleidelijk kan worden voorspeld. Het is een methode die ook wordt gebruikt in traditionele weervoorspellingssystemen, schreef het team.

GraphCast is getraind op bijna vier decennia aan historische weergegevens. Met behulp van een verdeel-en-heersstrategie verdeelde het team de planeet in kleine stukken, ongeveer 17 bij 17 kilometer op de evenaar. Dit resulteerde in meer dan een miljoen “punten” die de hele wereld bestrijken.

Voor elk punt werd de AI getraind met gegevens die op twee tijdstippen waren verzameld (de ene stroom, de andere zes uur geleden) en tientallen variabelen van het aardoppervlak en de atmosfeer bevatten, zoals temperatuur, vochtigheid en windsnelheid en -richting op veel verschillende hoogten.

De training was rekenintensief en duurde een maand.

Eenmaal getraind is de AI zelf echter zeer efficiënt. Het kan in minder dan een minuut een voorspelling voor 10 dagen produceren met een enkele TPU. Traditionele methoden waarbij gebruik wordt gemaakt van supercomputers vergen uren rekenwerk, legt het team uit.

Ray of Light

Om zijn capaciteiten te testen, heeft het team GraphCast vergeleken met de huidige gouden standaard voor weersvoorspellingen.

De AI was bijna 90 procent van de tijd nauwkeuriger. Het blonk vooral uit door alleen te vertrouwen op gegevens uit de troposfeer – de laag van de atmosfeer die het dichtst bij de aarde ligt en cruciaal is voor weersvoorspellingen – en versloeg de concurrentie in 99.7 procent van de gevallen. Ook GraphCast presteerde uitstekend Pangu-Weer, een topconcurrerend weermodel dat gebruik maakt van machine learning.

Vervolgens testte het team GraphCast in verschillende gevaarlijke weerscenario's: het volgen van tropische cyclonen, het detecteren van atmosferische rivieren en het voorspellen van extreme hitte en kou. Hoewel niet getraind op specifieke ‘waarschuwingssignalen’, sloeg de AI eerder alarm dan traditionele modellen.

Het model had ook hulp van de klassieke meteorologie. Het team heeft bijvoorbeeld bestaande software voor het volgen van cyclonen toegevoegd aan de voorspellingen van GraphCast. De combinatie loonde. In september voorspelde de AI met succes het traject van orkaan Lee terwijl deze langs de oostkust richting Nova Scotia raasde. Het systeem voorspelde de aanlanding van de storm negen dagen van tevoren nauwkeurig: drie kostbare dagen sneller dan traditionele voorspellingsmethoden.

GraphCast zal traditionele, op fysica gebaseerde modellen niet vervangen. Integendeel, DeepMind hoopt dat het hen kan versterken. Het Europees Centrum voor weersvoorspellingen op middellange termijn experimenteert al met het model om te zien hoe het in hun voorspellingen kon worden geïntegreerd. DeepMind werkt ook aan het verbeteren van het vermogen van de AI om met onzekerheid om te gaan – een cruciale behoefte gezien het steeds onvoorspelbaarder gedrag van het weer.

GraphCast is niet de enige AI-weerman. Onderzoekers van DeepMind en Google hebben er eerder twee gebouwd regionaal modellen dat het weer op korte termijn nauwkeurig kan voorspellen, 90 minuten of 24 uur vooruit. GraphCast kan echter verder vooruit kijken. Bij gebruik met standaard weersoftware kan de combinatie beslissingen over weersomstandigheden beïnvloeden of het klimaatbeleid sturen. We zouden op zijn minst meer vertrouwen kunnen hebben in de beslissing om die paraplu aan het werk te zetten.

“Wij geloven dat dit een keerpunt markeert in de weersvoorspellingen”, schreven de auteurs.

Krediet van het beeld: Google DeepMind

• Door SEO aangedreven content en PR-distributie. Word vandaag nog versterkt.
• PlatoData.Network Verticale generatieve AI. Versterk jezelf. Toegang hier.
• PlatoAiStream. Web3-intelligentie. Kennis versterkt. Toegang hier.
• PlatoESG. carbon, CleanTech, Energie, Milieu, Zonne, Afvalbeheer. Toegang hier.
• Plato Gezondheid. Intelligentie op het gebied van biotech en klinische proeven. Toegang hier.
• Bron: https://singularityhub.com/2023/11/16/google-deepmind-ai-nails-super-accurate-10-day-weather-forecasts/