Diep Leer Systeem Kan Extreem Weer Accuraat Voorspellen

Ingenieurs aan de Rice University hebben een diep leer systeem ontwikkeld dat in staat is om extreem weersgebeurtenissen tot vijf dagen van tevoren nauwkeurig te voorspellen. Het systeem, dat zichzelf heeft aangeleerd, heeft slechts minimale informatie over de huidige weersomstandigheden nodig om de voorspellingen te doen.             

Onderdeel van de training van het systeem is het onderzoeken van honderden paren kaarten, en elke kaart geeft de oppervlaktetemperatuur en luchtdruk op vijf kilometer hoogte aan. Deze omstandigheden worden enkele dagen uit elkaar getoond. De training omvat ook scenario’s die extreem weer veroorzaakten, zoals hittegolven en koude golven die hittegolven en winters stormen kunnen veroorzaken. Na het voltooien van de training, kon het diep leer systeem vijfdaagse voorspellingen van extreem weer maken op basis van kaarten die het eerder niet had gezien, met een nauwkeurigheid van 85%.

Volgens Pedram Hassanzadeh, co-auteur van de studie die online is gepubliceerd in het tijdschrift Journal of Advances in Modeling Earth Systems van de American Geophysical Union, kan het systeem worden gebruikt als een hulpmiddel en als een vroegtijdige waarschuwing voor weersvoorspellers. Het zal vooral nuttig zijn om meer te leren over bepaalde atmosferische omstandigheden die extreem weer veroorzaken. 

Door de uitvinding van computergebaseerde numerieke weersvoorspelling (NWP) in de jaren 50, zijn de dagelijkse weersvoorspellingen continu verbeterd. Echter, NWP kan geen betrouwbare voorspellingen maken over extreem weersgebeurtenissen, zoals hittegolven. 

“Het kan zijn dat we snellere supercomputers nodig hebben om de regelende vergelijkingen van de numerieke weersvoorspellingsmodellen op hogere resoluties op te lossen,” zei Hassanzadeh, een assistent-professor in de mechanische ingenieurswetenschappen en aard-, milieu- en planeetwetenschappen aan de Rice University. “Maar omdat we de fysica en voorwaarden van extreem-weerpatronen niet volledig begrijpen, is het ook mogelijk dat de vergelijkingen niet volledig accuraat zijn en dat ze, ongeacht hoeveel rekenkracht we erin stoppen, geen betere voorspellingen zullen opleveren.”

In 2017 werd Hassanzadeh vergezeld door mede-auteurs en doctoraalstudenten Ashesh Chattopadhyay en Ebrahim Nabizadeh. Samen gingen ze een andere weg in. 

“Wanneer je deze hittegolven of koude golven krijgt, zie je vaak vreemd gedrag in de jetstream, abnormale dingen zoals grote golven of een grote hogedruksysteem dat helemaal niet beweegt,” zei Hassanzadeh. “Het leek alsof dit een patroonherkenningprobleem was. Dus besloten we om extreem-weervoorspelling te herformuleren als een patroonherkenningprobleem in plaats van een numeriek probleem.”

“We besloten om ons model te trainen door het veel drukpatronen op vijf kilometer boven de aarde te laten zien, en het te vertellen, voor elk ervan, ‘Deze heeft geen extreem weer veroorzaakt. Deze heeft een hittegolf in Californië veroorzaakt. Deze heeft niets veroorzaakt. Deze heeft een koude golf in het noordoosten veroorzaakt,'” zei Hassanzadeh verder. “Niets specifieks zoals Houston versus Dallas, maar meer een gevoel van het regionale gebied.”

Voor computers werd analoge voorspelling gebruikt voor weersvoorspelling. Het werd op een zeer vergelijkbare manier gedaan als het nieuwe systeem, maar het waren mensen in plaats van computers. 

“Een manier waarop voorspelling werd gedaan voor computers is dat ze naar het patroon van het drukkerssysteem keken en vervolgens naar een catalogus van eerdere patronen gingen en probeerden een analogon, een zeer vergelijkbaar patroon, te vinden,” zei Hassanzadeh. “Als dat patroon regen over Frankrijk veroorzaakte na drie dagen, zou de voorspelling regen in Frankrijk zijn.”

Nu kunnen neurale netwerken zelf leren en hebben ze niet per se mensen nodig om verbindingen te vinden. 

“Het maakte niet uit dat we de voorwaarden niet volledig begrepen, omdat het neurale netwerk de verbindingen zelf leerde vinden,” zei Hassanzadeh. “Het leerde welke patronen kritiek waren voor extreem weer en gebruikte die om het beste analogon te vinden.”

Om hun concept te testen, vertrouwden ze op gegevens uit realistische computersimulaties. Ze meldden eerst vroege resultaten met een convolutioneel neuronaal netwerk, maar het team ging vervolgens over naar capsule-neuronale netwerken. Convolutionele neurale netwerken kunnen geen relatieve ruimtelijke relaties herkennen, maar capsule-neuronale netwerken wel. Deze relatieve ruimtelijke relaties zijn belangrijk bij de evolutie van weerspatronen. 

“De relatieve posities van drukpatronen, de hoge en lage drukken die je op weerskaarten ziet, zijn de sleutelfactor bij het bepalen van hoe het weer evolueert,” zei Hassanzadeh.

Capsule-neuronale netwerken vereisen ook minder trainingsgegevens dan convolutionele neurale netwerken. 

Het team zal verder werken aan het systeem om het in staat te stellen om te worden gebruikt in operationele voorspelling, maar Hassanzadeh hoopt dat het uiteindelijk zal leiden tot nauwkeurigere voorspellingen voor extreem weer. 

“We suggereren niet dat dit uiteindelijk NWP zal vervangen,” zei hij. “Maar dit kan een nuttige gids voor NWP zijn. Computationeel gezien kan dit een supergoedkope manier zijn om enige leiding te geven, een vroegtijdige waarschuwing, die het mogelijk maakt om NWP-bronnen specifiek te richten waar extreem weer waarschijnlijk is.”

“We willen ideeën uit explainable AI (kunstmatige intelligentie) gebruiken om te interpreteren wat het neurale netwerk doet,” zei hij. “Dit kan ons helpen om de voorwaarden voor extreem-weerpatronen te identificeren en ons begrip van hun fysica te verbeteren.”