Fine-tuning a weather model for improved ensemble subseasonal forecasting

Het voorspellen van het weer is voor de meesten van ons een dagelijks ritueel, maar meteorologen staan voor een veel grotere uitdaging wanneer ze verder kijken dan de komende week of twee. Er bestaat een beruchte kloof in voorspellingsvaardigheid die zich bevindt tussen de betrouwbare kortetermijnvoorspellingen die we gebruiken voor onze weekendplannen en de brede seizoensgebonden vooruitzichten die ons vertellen of een zomer nat of droog zal zijn. Dit middensegment, dat de periode van twee tot zes weken vooruit beslaat, wordt vaak een "voorspelbaarheidswoestijn" genoemd. In dit tijdsbestek heeft de atmosfeer haar begincondities vergeten, maar is zij nog niet voldoende beïnvloed door traag bewegende factoren zoals oceantemperaturen om gemakkelijk te kunnen worden ingeschat. Deze kloof is cruciaal omdat dit het venster is waarin gemeenschappen zich moeten voorbereiden op rampen zoals overstromingen of droogte, die vaak weken nodig hebben om zich te ontwikkelen en waarbij vroege actie vereist is om de gevolgen te beperken.

Decennialang hebben wetenschappers vertrouwd op complexe computermodellen die de fysica van de atmosfeer simuleren, waarbij de lucht wordt behanden als een vloeistof die wordt beheerst door wetten van beweging en warmte. Deze modellen zijn krachtig, maar extreem duur om te draaien, omdat ze enorme supercomputers nodig hebben om voorspellingen te genereren. Onlangs is er een nieuwe generatie kunstmatige intelligentie-modellen opgekomen, die het weer leert voorspellen door decennia aan historische gegevens te bestuderen in plaats van natuurkundige vergelijkingen op te lossen. Hoewel deze AI-modellen opmerkelijk succes hebben laten zien bij kortetermijnvoorspellingen, hebben ze moeite om hun nauwkeurigheid te behouden naarmits de voorspellingsperiode zich uitstrekt naar die moeilijke periode van twee tot zes weken. De fout in deze voorspellingen heeft de neiging zich bij elke stap voorwaarts op te stapelen, waardoor een nuttige voorspelling snel verandert in een gok.

Een team van onderzoekers heeft nu een manier gevonden om deze kloof te overbruggen zonder een supercomputer nodig te hebben. Door een bestaand AI-weermodel een gespecialiseerde trainingssessie te geven, waren zij in staat om het vermogen van het model om weerpatronen drie en vier weken in de toekomst te voorspellen, aanzienlijk te verbeteren. Het team heeft geen nieuw model vanaf nul opgebouwd; in plaats daarvan namen ze een model dat al uitstekend was in het voorspellen van de komende dagen en leerden het de atmosfeer op een andere manier te bekijken. In plaats van te proberen het weer uur per uur te voorspellen en te laten toe dat fouten zich opstapelen, pasten ze het model aan om de gemiddelde weersomstandigheden voor een hele week tegelijk te voorspellen. Deze aanpak slaat effectief de stap-voor-stap gokfase over die ervoor zorgt dat fouten zich opbouwen, waardoor het model het grotere plaatje van de komende weken kan zien.

Om deze voorspellingen nog betrouwbaarder te maken, creëerden de onderzoekers een ensemble, wat een groep licht verschillende versies van hun model is. Stel je voor dat je elf verschillende experts om hun mening vraagt over de weersverwachting van dezelfde week, waarbij elke expert een iets andere set historische gegevens heeft bestudeerd. Door hun antwoorden te middelen, komt de groep tot een consensus die nauwkeuriger is dan welke enkele expert alleen zou kunnen bieden. De onderzoekers trainden elf verschillende versies van hun model, waarbij elke versie een andere deelverzameling van de beschikbare vierjarige historische data gebruikte. Wanneer zij de resultaten van deze elf versies combineerden, werd de uiteindelijke voorspelling opmerkelijk scherp.

De resultaten van deze aanpak waren indrukwekkend wanneer deze werden vergeleken met de huidige gouden standaard in het veld, een geavanceerd systeem dat wordt gebruikt door het Europees Centrum voor Medium-Range Weervoorspellingen. Voor de derde en vierde week van een voorspelling presteerde de nieuwe methode beter dan het traditionele systeem, met name bij het voorspellen van neerslag. Dit is een cruciale bevinding, omdat nauwkeurige neerslagvoorspellingen essentieel zijn voor waterbeheer en rampenbestrijding. Hoewel het traditionele systeem nog steeds een voordeel heeft bij het voorspellen van bepaalde atmosferische patronen boven de tropische oceanen, waar de interactie tussen de zee en de lucht complex is, bleek de nieuwe methode superieur voor de meeste andere variabelen en regio's. De onderzoekers merkten op dat hun techniek niet alleen nauwkeuriger was voor deze langere vooruitblikken, maar ook vele malen efficiënter. Terwijl het traditionele systeem enorme rekenkracht en weken aan trainingstijd vereist, kon hun methode worden getraind op een enkele grafische kaart in ongeveer een dag, waardoor hoogwaardige subseizoensgebonden voorspellingen toegankelijk worden voor een veel breder scala aan wetenschappers en organisaties.

De studie benadrukt dat de sleutel tot het ontsluiten van betere langetermijnvoorspellingen mogelijk niet ligt in het bouwen van grotere, complexere machines, maar in het leren anders denken van bestaande instrumenten. Door de focus te verleggen van uurlange details naar wekelijkse gemiddelden en door meerdere getrainde perspectieven te combineren, hebben de onderzoekers aangetoond dat een kosteneffectieve, datagestuurde strategie de beperkingen kan overwinnen die al lang de subseizoensgebonden voorspellingen teisteren. Dit werk suggereert dat de "voorspelbaarheidswoestijn" geen onveranderlijk kenmerk van de atmosfeer is, maar een uitdaging die kan worden getrotseerd met de juiste combinatie van kunstmatige intelligentie en slimme trainingsmethoden. Terwijl de onderzoekers vooruitkijken, zien zij een duidelijke weg naar verdere verbeteringen, zoals het direct integreren van oceandata in het model om de traag bewegende krachten die weerpatronen aansturen beter te vangen, wat belooft nog preciezere voorspellingen voor de toekomst te bieden.