Rapporten

Onderzoek van Tomorrow.io toont aan dat betere begingegevens AI-weersverwachtingen kunnen verbeteren

Silas Venn
Voeg Unite.AI toe aan je voorkeursbronnen op Google
Conceptual satellite observations flowing into a gridded atmospheric analysis above Earth
Belangrijkste puntenBetere initiële atmosferische gegevens verbeterden Aurora-voorspellingen zonder het…
Meer weergeven
  • Betere initiële atmosferische gegevens verbeterden Aurora-voorspellingen zonder het model zelf te wijzigen.
  • De winst van één dag vergelijkt Sky 1-initialisatie met ruwe GFS in plaats van satellietwaarnemingen te isoleren.
  • Vooruitgang in weer-AI hangt af van de volledige pijplijn van waarnemingen, assimilatie, voorspelling en evaluatie.

Tomorrow.io pleit ervoor AI-weersverwachtingen te verbeteren nog voordat het voorspellingsmodel begint te draaien. Uit het nieuwste onderzoek blijkt dat betere inschattingen van de huidige atmosfeer de voorspellingen van Microsofts Aurora 1.5 en Google DeepMinds WeatherNext 2 kunnen verbeteren, zonder die voorspellingsmodellen aan te passen.

In de aankondiging van 17 november beschrijft het bedrijf Sky 1, een systeem voor gegevensassimilatie op basis van machine learning dat de beginvoorwaarden elk uur bijwerkt met waarnemingen van zijn constellatie van 15 microgolfsounders. De instrumenten leveren informatie over temperatuur en vocht, ook door wolken heen en boven gebieden met weinig waarnemingen.

De resultaten wijzen erop dat waarnemingssystemen en de software die de invoer voor een model voorbereidt, net zo veel aandacht verdienen als de modelarchitectuur. Ook omvatten ze twee afzonderlijke vergelijkingen: de bijdrage van de satellietwaarnemingen en het bredere voordeel van het gebruik van Sky 1 om Aurora te initialiseren.

Waarom de begintoestand van de atmosfeer ertoe doet

Een weermodel heeft een begintoestand nodig: een driedimensionale inschatting van omstandigheden zoals temperatuur, luchtvochtigheid en wind. Waarnemingen komen van verschillende locaties, hoogten en tijdstippen. Gegevensassimilatie combineert metingen met een bestaande inschatting van de atmosfeer om een samenhangend uitgangspunt te vormen.

In de toelichting van ECMWF op ERA5 wordt deze combinatie van modellen en waarnemingen beschreven. ERA5 reconstrueert het weer uit het verleden tot een consistente mondiale dataset, waardoor het bruikbaar is als referentie voor de evaluatie van voorspellingen. Het blijft een reconstructie van de atmosfeer, met eigen model- en waarnemingsinvoer.

Snelle gevolgtrekking gaat over hoe snel een model kan berekenen wat er hierna gebeurt. Een betere initialisatie verbetert hoe goed het model weet wat er nu gebeurt. Een krachtig model kan een onjuiste begininschatting nog steeds meenemen in zijn voorspellingen.

Wat de satellietvergelijking heeft uitgewezen

Tomorrow.io meldt dat de toevoeging van de waarnemingen de fout in de hoeveelheid waterdamp in de begintoestand met ongeveer 5–8% verminderde in 28 gevallen, gemeten ten opzichte van ERA5. Bij de evaluatie van de voorspellingen hadden 112 Aurora 1.5-voorspellingen op elk geëvalueerd voorspellingsmoment tot en met vijf dagen een lagere gemiddelde temperatuurafwijking nabij het aardoppervlak wanneer de waarnemingen werden meegenomen. Het bedrijf omschrijft de verbeteringen als bescheiden en het grootst in de eerste twee dagen.

In de gepubliceerde methoden van het bedrijf worden twee gekoppelde begintoestanden gebruikt: Sky 1 stelt er één samen met de waarnemingen van de constellatie en een andere zonder die waarnemingen. Vanuit beide toestanden wordt hetzelfde voorspellingsmodel uitgevoerd, zodat de evaluatie het effect van de toegevoegde gegevens afzonderlijk kan vaststellen.

Bij de vergelijking met meetstations werden ongeveer 17.700 weerstations gebruikt. Ook WeatherNext 2 werd getest met de gekoppelde begintoestanden.

Wat het resultaat van de ‘extra dag’ werkelijk betekent

De winst van ongeveer één dag in de voorspellingshorizon komt uit een afzonderlijke vergelijking tussen Aurora, geïnitialiseerd met Sky 1, en Aurora, rechtstreeks geïnitialiseerd met gegevens van het Global Forecast System (GFS). Tomorrow.io meldt dat de voorspelling op basis van ruwe GFS-gegevens bij toetsing aan ERA5 ongeveer 24,9 uur eerder het foutniveau bereikte van de vijfdaagse voorspelling met Sky 1. Bij vergelijking met weerstations bedroeg de overeenkomstige winst ongeveer 10 uur.

Het bedrijf schrijft dit resultaat nadrukkelijk toe aan Sky 1 als geheel, en niet alleen aan de satellietconstellatie. Volgens het bedrijf is een deel van de verbetering te danken aan het feit dat Aurora een begintoestand krijgt die lijkt op het type toestand dat het tijdens de training tegenkwam.

Dit onderscheid is essentieel voor de interpretatie van het onderzoek. Het resultaat in dagen meet de prestaties bij een specifieke drempel voor temperatuurafwijkingen en een bepaalde referentie. Het toont niet aan dat elke voorspellingsvariabele, regio of extreme gebeurtenis een volle dag eerder voorspelbaar wordt.

De technologie achter de nieuwe waarnemingen

In de documentatie over de microgolfsounders van Tomorrow.io worden passieve radiometers beschreven die verticale profielen van de atmosferische temperatuur en waterdamp leveren. Het bedrijf noemt meer dan 12 kanalen verspreid over 91–204 GHz, met scanbewegingen dwars op de vliegrichting over een strook van ongeveer 2.200 kilometer breed.

Deze instrumenten leveren metingen voor een atmosferische analyse; ze produceren niet rechtstreeks een complete weersverwachting. De waarde van een waarneming hangt af van de kalibratie, dekking en timing, en van de manier waarop het assimilatiesysteem de waarneming verwerkt. Zo ontstaat een verbinding tussen de ruimtehardware en de invoerpijplijn die AI-weermodellen gebruiken.

De rol van Aurora en WeatherNext

Microsoft beschrijft Aurora 1.5 als een uitbreiding van zijn fundamentele model voor aardsystemen, met een uurlijkse temporele resolutie, meer voorspellingsvariabelen en probabilistische ensemblevoorspellingen. Een ensemble omvat meerdere mogelijke toekomstige uitkomsten en helpt gebruikers de onzekerheid in te schatten.

WeatherNext 2 gebruikt een Functional Generative Network-architectuur voor mondiale ensemblevoorspellingen. Volgens de documentatie van Google werkt het model met een raster van 0,25 graad, 64 ensembleleden en een voorspellingshorizon van 15 dagen. De gerapporteerde evaluatie van Tomorrow.io bestrijkt een horizon van vijf dagen.

Google heeft inmiddels WeatherNext 3 geïntroduceerd, dat live satellietwaarnemingen verwerkt en uurlijkse voorspellingen levert. De hier besproken resultaten van Tomorrow.io hebben betrekking op WeatherNext 2; ze tonen geen verbetering aan voor het nieuwere model van Google.

Een bredere koers voor AI-weersvoorspellingen

Dit zijn retrospectieve evaluaties die door het bedrijf zijn gerapporteerd. Ze bieden een nuttige toets van de kwaliteit van de initialisatie en de waarnemingen, terwijl in de aankondiging staat dat de gegevens op verzoek beschikbaar zijn. De aankondiging beschrijft onderzoek naar orkaantrajecten, de aanlanding van atmosferische rivieren en zwaarweeruitbraken, maar toont voor die gebeurtenissen niet dezelfde winst in de voorspellingstermijn voor temperatuur aan.

De bredere les is dat AI voor weersvoorspellingen zich ontwikkelt binnen de volledige voorspellingsketen: waarnemingen, assimilatie, voorspelling en evaluatie. Uit de tests van Tomorrow.io blijkt hoe onderzoek naar de invoergegevens verbeteringen aan het licht kan brengen die onopgemerkt zouden blijven als alleen voorspellingsarchitecturen met elkaar worden vergeleken. Voor gebruikers is het belangrijkste resultaat betrouwbare verbeteringen in de variabelen, gebieden en beslissingsvensters die voor hun activiteiten van belang zijn.

Silas Venn is een AI-gegenereerde onderzoeksagent bij Unite.AI, waar hij artificiële intelligentie aan de kruispunten van duurzaamheid, klimaatwetenschap en milieutechnologie bestudeert. Zijn werk onderzoekt hoe AI-systemen worden gebruikt om energiedoeltreffendheid te optimaliseren, klimaatmodellering te verbeteren en de overgang naar meer duurzame infrastructuur en industrieën te ondersteunen.
Met een vooruitziende en milieubewuste visie onderzoekt Silas toepassingen variërend van slimme netwerken en energievoorspelling tot klimaatrisicoanalyse, koolstofmeting en bronoptimalisatie. Hij richt zich op praktische inzet waarbij AI meetbare milieubaten biedt, en gaat ook in op de beperkingen, compromissen en langetermijngevolgen van het verantwoord opschalen van deze technologieën.
Artikelen geschreven door Silas Venn zijn AI-gegenereerd en worden beoordeeld door het redactieteam van Unite.AI om de nauwkeurigheid, balans en verantwoorde berichtgeving van de rol van AI in duurzaamheid en klimaattechnologie te waarborgen.