AI Models Still Lag Behind Traditional Numerical Models in Predicting Sudden-Turning Typhoons
Deze studie daagt de bewering uit dat op AI gebaseerde weermodellen uitblinken in het voorspellen van extreme gebeurtenissen door aan te tonen dat hoewel Pangu-Weather over het algemeen traditionele numerieke modellen overtreft bij het volgen van tropische cyclonen, het nog steeds achterblijft in het nauwkeurig voorspellen van zeldzame, plotseling draaiende tyfoonbanen.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Decennialang was de meest betrouwbare manier om het weer te voorspellen het bouwen van een digitale tweeling van de atmosfeer. Wetenschappers voeden huidige waarnemingen aan enorme supercomputers die complexe vergelijkingen oplossen die beschrijven hoe lucht beweegt, hoe warmte opstijgt en hoe waterdamp verandert in regen. Deze numerieke modellen fungeren als een natuurkundige engine, die de wetten van de natuur stap voor stap simuleert om te voorspellen wat er dagen van nu zal gebeuren. Ze vormen de ruggengraat van de moderne voorspelling, vertrouwd omdat ze zijn gebouwd op de fundamentele regels die onze planeet beheersen. Echter, in de afgelopen jaren is er een nieuwe uitdager opgekomen: kunstmatige intelligentie. In plaats van vergelijkingen op te lossen, leren deze AI-modellen het weer te voorspellen door miljoenen jaren aan historische weergegevens te bestuderen, waarbij ze patronen herkennen zoals een student een tekstboek uit het hoofd leert. Ze zijn ongelooflijk snel en hebben veelbelovende resultaten getoond, wat velen doet geloven dat ze de traditionele, op fysica gebaseerde systemen binnenkort volledig zouden kunnen vervangen.
Een recente studie door een team van onderzoekers van Chinese meteorologische en academische instellingen onderwerpt dit idee aan een rigoureuze test, specifiek kijkend naar hoe goed deze AI-modellen omgaan met de gevaarlijkste en meest onvoorspelbare weerevenementen: tyfoons die plotseling van richting veranderen. De onderzoekers richtten zich op een specifiek type stormgedrag dat bekend staat als een "plotselinge draai", waarbij een tyfoon scherpe, onverwachte bochten in zijn pad maakt, wat voorspellers vaak onverwacht treft en tot aanzienlijke schade leidt. Terwijl eerdere rapporten AI hadden gevierd vanwege zijn vermogen om extreem weer te voorspellen, betroffen die voorbeelden voornamelijk stormen die extreem waren vanwege hun pure kracht, en niet omdat hun pad moeilijk te volgen was. Deze nieuwe analyse stelde een moeilijkere vraag: kan AI de zeldzame, grillige bewegingen voorspellen die de gebruikelijke loop van de atmosfeer tarten?
Het team onderzocht 104 tyfoons in de Noordwestelijke Pacific tussen 2020 en 2024, en sorteerde deze in drie groepen: die in een rechte, voorspelbare lijn bewogen; die rondjes draaiden; en die plotselinge, scherpe bochten maakten. Ze vergeleken de voorspellingen van het leidende AI-model, bekend als Pangu-Weather, met de beste traditionele numerieke modellen en de voorspellingen van menselijke experts van grote meteorologische instanties. De resultaten waren duidelijk en genuanceerd. Voor het overgrote deel van de stormen, inclusief die die normaal bewogen of zelfs die die rondjes draaiden, presteerde het AI-model uitzonderlijk goed en versloeg het vaak de traditionele computermodellen in nauwkeurigheid. Het bewees een krachtig hulpmiddel te zijn voor het vastleggen van de algemene stroming van de atmosfeer.
Echter, het verhaal veranderde volledig toen de onderzoekers naar de stormen keken die plotselinge draai maakten. In deze specifieke gevallen presteerden de traditionele numerieke modellen consequent beter dan de AI. De studie benadrukte de 2023 Tyfoon Khanun als een primair voorbeeld. Deze storm maakte twee scherpe draai binnen vijf dagen terwijl hij langs de Ryukyu-eilanden trok, een pad dat voor aanzienlijke verstoring zorgde. Hoewel het AI-model in staat was de locatie van de storm gedurende de eerste dag of twee nauwkeurig te voorspellen, nam de vaardigheid scherp af naarmate de voorspelling verder reikte. Tegen de tijd dat de voorspelling vijf dagen bereikte, was de AI-voorspelling niet beter dan die van menselijke voorspellers en was deze aanzienlijk minder nauwkeurig dan de traditionele modellen. De fout in de padvoorspelling van de AI voor deze plotseling draaiende stormen was, gemiddeld genomen, bijna 10 procent groter dan die van het beste traditionele systeem.
De onderzoekers groeven dieper om te begrijpen waarom dit gat bestaat. Ze ontdekten dat de atmosfeer tyfoons meestal stuurt met een gestage, grootschalige windstroom, vergelijkbaar met een rivier die een boot meevoert. Wanneer deze stroom sterk en gestaag is, presteert het AI-model, dat uitstekend is in het herkennen van deze grote patronen, briljant. Maar wanneer de sturende stroom zwak is, wordt het pad van de storm bepaald door een complexe interactie tussen de storm zelf en de omringende lucht. Op die momenten worden de fijne details van de interne structuur van de storm cruciaal. De studie suggereert dat omdat AI-modellen zijn getraind op historische gegevens in plaats van de wetten van de fysica, ze moeite hebben met het simuleren van deze ingewikkelde interne structuren wanneer de sturende winden zwak zijn. Ze hebben de neiging om gladdere, meer gemiddelde voorspellingen te produceren die de scherpe, chaotische draaiingen die in de werkelijkheid voorkomen, missen.
Dit betekent niet dat de AI een mislukking is, maar het onthult wel een specifieke beperking. De traditionele modellen, die gebouwd zijn om de fysische vergelijkingen van de atmosfeer op te lossen, zijn nog steeds beter in het vastleggen van de fysica van deze zeldzame, extreme gebeurtenissen. Het AI-model, hoewel sneller en over het algemeen nauwkeurig, lijkt niet in staat te zijn om door de complexe fysica te "redeneren" die vereist is wanneer een storm ongewoon gedrag vertoont. De auteurs concluderen dat de meest betrouwbare aanpak voor de nabije toekomst niet het vervangen van de oude systemen door de nieuwe zal zijn, maar het combineren van beide. Door de fysische beperkingen van traditionele modellen te integreren in de training van AI, hopen wetenschappers een hybride systeem te creëren dat zowel de algemene patronen als de zeldzame, gevaarlijke verrassingen van het weer kan aan kunnen. Tot die tijd blijven de ouderwetse, op fysica gebaseerde modellen de meest betrouwbare gids wanneer een storm dreigt een onverwachte draai te nemen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.