De weersvoorspellingen van vandaag zijn afkomstig van enkele van de krachtigste computers op aarde. De enorme machines doorlopen miljoenen berekeningen om vergelijkingen op te lossen om temperatuur te voorspellen, wind, regenval en andere weersomstandigheden. De gecombineerde behoefte van een voorspelling aan snelheid en nauwkeurigheid belast zelfs de modernste computers.

De toekomst zou een radicaal andere benadering kunnen hebben. Een samenwerking tussen de Universiteit van Washington en Microsoft Research laat zien hoe kunstmatige intelligentie eerdere weerpatronen kan analyseren om toekomstige gebeurtenissen te voorspellen. veel efficiënter en mogelijk ooit nauwkeuriger dan de technologie van vandaag.

Het nieuw ontwikkelde wereldwijde weermodel baseert zijn voorspellingen op de afgelopen 40 jaar weergegevens, in plaats van op gedetailleerde natuurkundige berekeningen. Het simpele, op data gebaseerde A.I. model kan het weer van een jaar over de hele wereld veel sneller en bijna net zo goed simuleren als traditionele weermodellen, door dezelfde herhaalde stappen van de ene voorspelling naar de volgende te nemen, volgens een artikel dat deze zomer is gepubliceerd in de Journal of Advances in Modeling Earth Systems.

"Machine learning is in wezen een verheerlijkte versie van patroonherkenning, " zei hoofdauteur Jonathan Weyn, die het onderzoek deed in het kader van zijn UW-doctoraat in de atmosferische wetenschappen. "Het ziet een typisch patroon, herkent hoe het zich gewoonlijk ontwikkelt en beslist wat te doen op basis van de voorbeelden die het in de afgelopen 40 jaar aan gegevens heeft gezien."

Hoewel het nieuwe model niet verrassend, minder nauwkeurig dan de beste traditionele voorspellingsmodellen van vandaag, de huidige A.I. ontwerp gebruikt ongeveer 7, 000 keer minder rekenkracht om voorspellingen te maken voor hetzelfde aantal punten op de wereld. Minder rekenwerk betekent snellere resultaten.

Die versnelling zou de voorspellingscentra in staat stellen om snel veel modellen uit te voeren met enigszins verschillende startomstandigheden, een techniek genaamd "ensemblevoorspelling" waarmee weersvoorspellingen het bereik van mogelijke verwachte resultaten voor een weergebeurtenis kunnen dekken, bijvoorbeeld, waar een orkaan zou kunnen toeslaan.

"Er zit zoveel meer efficiëntie in deze aanpak; dat is wat er zo belangrijk aan is, " zei auteur Dale Durran, een UW hoogleraar atmosferische wetenschappen. "De belofte is dat het ons in staat zou kunnen stellen om voorspelbaarheidsproblemen op te lossen door een model te hebben dat snel genoeg is om zeer grote ensembles te runnen."

Co-auteur Rich Caruana bij Microsoft Research had aanvankelijk de UW-groep benaderd om een ​​project voor te stellen met behulp van kunstmatige intelligentie om weersvoorspellingen te doen op basis van historische gegevens zonder te vertrouwen op fysieke wetten. Weyn volgde een UW-cursus computerwetenschappen in machine learning en besloot het project aan te pakken.

"Na een training op historische weergegevens, de AI algoritme is in staat om relaties tussen verschillende variabelen te bedenken die natuurkundige vergelijkingen gewoon niet kunnen doen, "Weyn zei. "We kunnen het ons veroorloven om veel minder variabelen te gebruiken en daarom een ​​model te maken dat veel sneller is."

Om succesvolle A.I. technieken met weersvoorspellingen, het team bracht zes vlakken van een kubus in kaart op planeet Aarde, vervolgens de zes vlakken van de kubus afgevlakt, zoals in een architectonisch papieren model. De auteurs behandelden de poolgezichten anders vanwege hun unieke rol in het weer als een manier om de nauwkeurigheid van de voorspelling te verbeteren.

De auteurs testten vervolgens hun model door de globale hoogte van de 500 hectopascal druk te voorspellen, een standaardvariabele in weersvoorspellingen, om de 12 uur voor een heel jaar. Een recente krant, waaronder Weyn als co-auteur, introduceerde WeatherBench als een benchmarktest voor datagestuurde weersvoorspellingen. Op die voorspellingstest, ontwikkeld voor driedaagse voorspellingen, dit nieuwe model is een van de toppresteerders.

Het datagestuurde model zou meer details nodig hebben voordat het zou kunnen concurreren met bestaande operationele prognoses, de auteurs zeggen, maar het idee is veelbelovend als een alternatieve benadering voor het genereren van weersvoorspellingen, vooral met een groeiend aantal eerdere voorspellingen en weerwaarnemingen.