Waarom nauwkeurige weersvoorspellingen moeilijk blijven: de cruciale rol van realtime data

Als je een app voor weersvoorspellingen opent, lijkt het proces eenvoudig: je kiest een locatie, je stelt een tijdstip in en vervolgens lees je het resultaat af.

Maar achter dit scherm schuilt een van de meest complexe voorspellingsproblemen waar de wetenschap mee te maken heeft.

De atmosfeer is een driedimensionaal systeem dat voortdurend verandert.

Voordat een model kan voorspellen wat er vervolgens zal gebeuren, moet het eerst een verrassend complexe vraag beantwoorden: Wat doet de atmosfeer precies op dit moment?

We zien de atmosfeer nooit in zijn geheel.

Geen enkel instrument geeft een volledig beeld van het weer. Weerradars detecteren neerslagdeeltjes. Satellieten monitoren wolken, luchtvochtigheid en temperaturen vanuit de ruimte. Grondstations meten de omstandigheden op individuele locaties. Weerballonnen en vliegtuigen leveren informatie vanaf verschillende hoogtes.

Elk van deze bronnen heeft zijn eigen nauwkeurigheid, updatefrequentie, dekkingshiaten en meetfouten. Het samenstellen van een actueel atmosferisch beeld is daarom vergelijkbaar met het reconstrueren van de verkeersstroom in een hele stad met camera's die in verschillende richtingen zijn gericht, waarvan de gegevens op verschillende tijdstippen worden bijgewerkt en waarbij veel straten volledig onzichtbaar blijven.

Meteorologen noemen het proces waarbij waarnemingen worden gecombineerd met eerdere voorspellingen 'data-assimilatie'. Dit proces levert een schatting op van de huidige weersomstandigheden, de zogenaamde analyse, die als uitgangspunt dient voor de volgende voorspelling.

Zoals het Europees Centrum voor Weersvoorspellingen op Middellange Termijn (ECMWF) uitlegt, hangt de kwaliteit van de voorspelling cruciaal af van de nauwkeurigheid van deze analyse. Zelfs het beste model zal moeite hebben als het initiële beeld onvolledig, onnauwkeurig of verouderd is.

Waarom kunnen weerapps misleidend zijn?

Een veelgebruikte techniek voor kortetermijnvoorspellingen is optische stroom. Deze techniek analyseert opeenvolgende radarbeelden, schat de beweging van neerslag in en extrapoleert die beweging vervolgens naar de toekomst. Deze methode kan goed werken wanneer een regenband gestaag beweegt. Het probleem is echter dat onweersbuien geen statische vormen zijn die over een kaart schuiven; ze ontstaan, intensiveren, verzwakken, splitsen zich en smelten samen. Een nieuwe convectiecel kan bijvoorbeeld verschijnen in een gebied waar 20 minuten eerder geen regen viel.

Stel je voor dat een storm een ​​berg nadert. Een simpele extrapolatie zou voorspellen dat de storm met dezelfde snelheid verder zal trekken. Maar in werkelijkheid kan het terrein de luchtstroom beïnvloeden, het systeem vertragen en bijdragen aan hevige regen of hagel. De uitdaging is dus niet alleen om te voorspellen waar de huidige neerslag naartoe zal trekken; een effectief model moet ook voorspellen hoe het weersysteem zelf zal veranderen.

Een ander probleem is dat grootschalige modellen goed zijn in het beschrijven van weerfronten, druksystemen en atmosferische circulatie over landen en continenten. Maar veel gebeurtenissen die mensen en bedrijven beïnvloeden, vinden plaats op een veel kleinere schaal. Een onweersbui kan bijvoorbeeld een deel van een stad treffen, terwijl een ander deel vrijwel droog blijft.

Een wolkenfront kan de opbrengst van een zonne-energiepark drastisch verminderen, terwijl die van een ander park op 20 kilometer afstand juist hoger kan uitvallen. Ook de windomstandigheden kunnen sterk variëren, afhankelijk van het grondniveau, de hoogte van een gebouw of de vlieghoogte van een drone. Deze subtiele verschillen zijn moeilijk te voorspellen.

Het weer is extreem gevoelig voor de begintoestand. Zelfs kleine onzekerheden in temperatuur, luchtvochtigheid of wind kunnen verergeren naarmate de voorspelling verder in de toekomst reikt. Dit is de ware betekenis van het 'vlindereffect'. Het betekent niet dat één defecte sensor automatisch een wereldwijde voorspelling verpest, maar eerder dat we de atmosfeer nooit perfect kunnen meten en dat de onzekerheid over de begintoestand ervan in de loop van de tijd toeneemt.

Om die reden produceren moderne voorspellingssystemen steeds vaker 'ensembles': meerdere mogelijke voorspellingen in plaats van één enkel, zogenaamd zeker antwoord. Voor veel beslissingen is de wetenschap dat er 30% kans is op een zware storm nuttiger dan een zelfverzekerde voorspelling die later onjuist blijkt te zijn.

Het belang van cruciale timing

Latentie is een van de minst besproken bronnen van voorspellingsfouten. Stel je een model voor dat een uitstekende voorspelling geeft op basis van weersomstandigheden die twee uur eerder zijn gemeten. Als er slechts 20 minuten daarvoor een onweersbui ontstaat, kan die voorspelling praktisch nutteloos worden, hoe geavanceerd het model ook is.

De Wereld Meteorologische Organisatie definieert "nowcasting" als een gedetailleerde lokale voorspelling die loopt van het huidige moment tot de komende zes uur. Voor toepassingen in de praktijk gaat nowcasting echter verder dan alleen het voorspellen van de horizon. Het vereist een continue workflow die nieuwe waarnemingen verzamelt, de kwaliteit ervan controleert, ze synchroniseert, vervolgens het model uitvoert en binnen enkele minuten een bijgewerkt resultaat levert.

Tegelijkertijd betekent realtime weersvoorspelling niet dat er letterlijk geen vertraging is. Het betekent eerder dat het systeem voortdurend de atmosfeer in de gaten houdt en de gegevens snel genoeg bijwerkt om de genomen beslissingen te beïnvloeden.

Dit is van groot belang voor sommige sectoren. Een consument die overweegt een paraplu mee te nemen, kan een onnauwkeurige bezorgvoorspelling wellicht tolereren. Maar veel operationele systemen kunnen dat niet. Bezorgdrones moeten weten of zware regen, ijs of gevaarlijke wind hun vliegroute zullen belemmeren voordat ze het gebied bereiken. Een luchthaven moet mogelijk de procedures op de landingsbaan aanpassen als er zich in de buurt een onweersbui ontwikkelt.

Exploitanten van zonne-energie moeten anticiperen op snel bewegende wolkenfronten voordat de productie plotseling daalt. Logistieke en mobiliteitsplatformen kunnen voertuigen omleiden voordat overstromingen of hevige regenval het wegennet ontregelen.

Hetzelfde principe geldt voor buitenactiviteiten, hulpdiensten, landbouw en de energiehandel. Deze gebruikers hebben niet alleen behoefte aan "het weer van morgen". Ze moeten weten wat er verandert, waar het verandert en of er nog tijd is om actie te ondernemen.

Kunstmatige intelligentie versnelt de weersvoorspelling, maar snelheid alleen is niet genoeg.

Weersvoorspellingsmodellen gebaseerd op kunstmatige intelligentie kunnen sneller en met minder rekenkracht voorspellingen genereren dan veel traditionele numerieke modellen. Sommige modellen hebben in bepaalde variabelen en voorspellingsperioden al betere resultaten behaald dan op natuurkunde gebaseerde systemen. AI lost echter het probleem van monitoring en observatie niet op.

De meeste wereldwijde AI-weersvoorspellingsmodellen beginnen nog steeds met een atmosferische analyse die wordt geproduceerd door traditionele numerieke weersvoorspellingssystemen. Als deze analyse zelfs maar een paar uur verouderd is, kan de inferentiesnelheid de beginsituatie niet bijwerken.

AI-modellen kunnen ook de ernst van zeldzame gebeurtenissen onderschatten, omdat extreme voorbeelden ondervertegenwoordigd zijn in hun trainingsdata en omdat sommige trainingsmethoden de voorkeur geven aan vloeiendere, statistisch waarschijnlijkere uitkomsten. Recent onderzoek heeft aangetoond dat toonaangevende AI-modellen grotere fouten kunnen maken dan op natuurkunde gebaseerde systemen bij het voorspellen van standaard hitte-, koude- en windgebeurtenissen.

Om deze reden zal de toekomst waarschijnlijk geen simpele concurrentiestrijd tussen kunstmatige intelligentie en natuurkunde worden. Het ECMWF beschikt al over een eigen, op AI gebaseerd systeem voor operationele voorspellingen, naast het traditionele, op natuurkunde gebaseerde model.

De meest robuuste architectuur combineert wereldwijde modellen, lokale waarnemingen met hoge frequentie, op AI gebaseerde realtime voorspellingen (nowcasting), fysieke beperkingen en probabilistische schattingen van onzekerheid.