A Hybrid AI–Ontology Framework for Tropical Cyclone Forecasting, Risk Assessment, and Intelligent Disaster Decision Support

Tropische cyclonen behoren tot de krachtigste natuurkrachten op aarde; ze vormen zich boven warme oceaanwateren en ontketenen wind, regen en stormvloeden die kustlijnen kunnen hervormen en miljoenen levens kunnen bedreigen. Decennialang hebben meteorologen geprobeerd te voorspellen waar deze stormen naartoe zullen gaan en hoe sterk ze zullen worden. Deze voorspellingen vertrouwen op complexe computermodellen die de beweging en intensiteit van de storm volgen, wat autoriteiten een vitale voorsprong geeft. Het kennen van het pad van een storm is echter slechts de helft van de strijd. Een voorspelling die een stad waarschuwt voor hoge windsnelheden is nuttig, maar het vertelt functionarissen niet automatisch welke wijken het meest kwetsbaar zijn, hoeveel mensen moeten evacueren, of welke specifieke gevaren — zoals overstromingen versus structurele schade — hen wachten. De kloof tussen een ruwe weersvoorspelling en een duidelijk, actiegericht plan om levens te redden, is lang een uitdaging geweest voor rampenbestrijders.

Om deze kloof te overbruggen, heeft een team van onderzoekers een nieuw systeem ontwikkeld dat de voorspellende kracht van kunstmatige intelligentie combineert met een gestructureerde manier om de wereld te begrijpen, een zogenaamde ontologie. Denk aan een ontologie als een digitale kaart van kennis die feiten over de storm verbindt met feiten over het land en de mensen die er wonen. Terwijl kunstmatige intelligentie uitstekend is in het herkennen van patronen in enorme hoeveelheden data om de toekomst te voorspellen, fungeert het vaak als een "black box", die een getal of een pad biedt zonder de onderliggende reden uit te leggen. De onderzoekers wilden een systeem bouwen dat niet alleen voorspelt waar een cycloon naartoe zal gaan, maar die voorspelling ook vertaalt naar een helder, logisch verhaal over het risico. Door een computer te leren de relaties te begrijpen tussen windsnelheid, neerslag, bevolkingsdichtheid en de stevigheid van gebouwen, creëerden zij een hulpmiddel dat specifieke, begrijpelijke adviezen kan genereren voor besluitvormers.

De onderzoekers testten dit hybride framework aan de hand van drie echte cyclonen die de Golf van Bengalen troffen: Amphan in 2020, Yaas in 2021 en Remal in 2024. Het systeem werkt in twee hoofdfasen. Eerst gebruikt het een type kunstmatige intelligentie genaamd een Long Short-Term Memory netwerk om historische weerdata te analyseren. Dit model kijkt naar een opeenvolging van eerdere waarnemingen — zoals de locatie, snelheid en luchtdruk van de storm — om het pad voor de volgende vierentwintig uur te voorspellen. Tegelijkertijd schat een tweede model van kunstmatige intelligentie de omvang van de impactzone van de storm in, waarbij wordt bepa bepaald hoe ver de gevaarlijke omstandigheden zich buiten het centrum uitstrekken. Deze voorspellingen zijn niet slechts getallen; ze worden ingevoerd in de tweede fase van het systeem, de ontologie-gebaseerde redeneermachine.

Deze redeneermachine fungeert als de vertaler. Het neemt het voorspelde pad en de omvang van de storm en legt deze over een gedetielerd digitaal profiel van de getroffen regio. Dit profiel bevat statische informatie die niet verandert, zoals de locatie van steden, de bevolkingsdichtheid, het type gebouwen in het gebied en de lokale geografie. Het systeem past vervolgens een reeks logische regels toe op deze gecombineerde gegevens. Bijvoorbeeld: als de AI hoge windsnelheden voorspelt en de ontologie weet dat een specifiek gebied veel oude, fragiele structuren heeft, concludeert het systeem een hoog risico op structurele schade. Als de voorspelling zware regenval bevat en het gebied laaggelegen is, concludeert het systeem een hoog overstromingsrisico. Het resultaat is een uitgebreide risicobeoordeling die verder gaat dan eenvoudige weergegevens om cruciale vragen te beantwoorden: Hoe ernstig is de dreiging? Welke gebieden bevinden zich in de rode zone? Hoeveel mensen lopen gevaar?

Toen het team dit framework toepaste op Cyclone Amphan, de meest destructieve van de drie, presteerde het systeem met hoge nauwkeurigheid. De AI voorspelde het traject van de storm met een gemiddelde fout van ongeveer 72 kilometer over een periode van vierentwintig uur, een niveau van precisie dat vergelijkbaar is met andere geavanceerde deep learning-methoden. Belangrijker nog, de redeneermachine identificeerde de gebeurtenis correct als een "Ernstige" dreiging, wijst een rode risicozone toe en adviseerde een hoog alarmniveau. Het schatte dat ongeveer 640.000 mensen in gevaar waren, een cijfer dat nauw aansloot bij de massale noodhulp die tijdens het werkelijke evenement werd ingezet. Het systeem maakte succesvol onderscheid tussen het extreme gevaar van Amphan en de iets lagere, maar nog steeds significante risico's van de cyclonen Yaas en Remal. Voor Yaas markeerde het systeem eveneens een rode zone en een hoog alarm, terwijl het voor Remal correct een matig risico inschatte, waarbij een gele zone en een lager urgentieniveau werden gesuggereerd.

De studie toont aan dat het combineren van voorspellende kunstmatige intelligentie met gestructureerde kennisredenering een nuttiger hulpmiddel voor rampenbestrijding creëert dan beide benaderingen afzonderlijk zouden kunnen bieden. De kunstmatige intelligentie handelt de complexe wiskunde af die nodig is om de toekomst van de storm te voorspellen, terwijl de ontologie-laag ervoor zorgt dat deze voorspellingen worden geïnterpreteerd door de lens van de lokale realiteit. Hierdoor kan het systeem outputs genereren die niet alleen accurate getallen zijn, maar ook begrijpelijke adviezen, zoals specifieke evacuatievoorschriften of instructies voor opvanglocaties. De onderzoekers stelden vast dat deze aanpak erin slaagde om ruwe meteorologische data te transformeren naar gestructureerde, semantische risico-informatie waar besluitvormers op konden vertrouwen en mee aan de slag konden. Hoewel het huidige systeem steunt op historische data en vooraf gedefinieerde regels, suggereren de auteurs dat toekomstige versies realtime data van satellieten en weerstations kunnen integreren om het systeem nog responsiever te maken. Uiteindelijk biedt dit werk een veelbelovend pad naar rampenbeheersystemen die niet alleen slim genoeg zijn om de storm te voorspellen, maar ook wijs genoeg om de werkelijke impact op de mensen en plaatsen die zij bedreigen, te begrijpen.