Storm surge forecasts from a global tide-gauge network

Kustoverstromingen vormen een complexe dreiging, maar het meest dodelijke onderdeel ervan is vaak de stormvloed: een muur van water die door de wind en de druk van een storm aan land wordt geduwd. In tegen wordt van een tsunami, die wordt veroorzaakt door een aardbeving, is een stormvloed een directe reactie op het weer. Voor gemeenschappen die aan de rand van de oceaan leven, is weten wanneer deze muur van water zal arriveren en hoe hoog deze zal stijgen een kwestie van leven of dood. Toch wordt het vermogen om deze gebeurtenissen te voorspellen niet gelijkmatig gedeeld. Terwijl rijke landen met speciale financiering en geavanceerde computermodellen betrouwbare waarschuwingen kunnen uitgeven, blijven uitgestrekte delen van de wereldwijde kustlijn, met name in ontwikkelingslanden en kleine eilandstaten, zonder enige lokale voorspellende begeleiding. De kloof tussen degenen die waarschuwingen hebben en degenen die dat niet hebben, laat miljoenen mensen kwetsbaar voor een gevaar dat naar verwachting erger zal worden naarmate de zeespiegel stijgt.

Decennialang hebben wetenschappers vertrouwd op enorme, op fysica gebaseerde computersimulaties om deze stormvloeden te modelleren. Deze modellen proberen de gehele oceaan en atmosfeer te recreëren, waarbij ze berekenen hoe wind en druk interageren met de vorm van de zeebodem. Hoewel krachtig, zijn deze simulaties rekenintensief en vereisen ze voortdurend hoogwaardige gegevens om te kunnen draaien. Als gevolg hiervan kunnen ze vaak niet de specifieke, lokale begeleiding bieden die nodig is voor elke kustlijn op aarde. In de afgelopen jaren is een andere aanpak ontstaan: het gebruik van kunstmatige intelligentie om patronen te leren van historische gegevens. Echter, de meeste eerdere pogingen waren beperkt. Ze konden alleen stormvloeden voorspellen voor de specifieke locaties waarvoor ze waren getraind, of ze vertrouwden op synthetische gegevens die de rommelige realiteit van de oceaan niet weerspiegelden. De uitdaging bleef: kon één enkel model leren van het volledige wereldwijde netwerk van getijdenmeters en vervolgens succesvol stormvloeden voorspellen op plaatsen die het nog nooit eerder had gezien?

In een nieuwe studie probeerden onderzoekers Heshan Chen en Andrew Kruczkiewicz dit vraagstuk te beantwoorden door een model te bouwen dat getraind is op een wereldwijd netwerk van 760 getijdenmeters. Ze trainden het model niet alleen om patronen te herkennen op deze specifieke locaties; ze testten ook het vermogen om stormvloeden te voorspellen bij 84 verschillende meters en in volledige regio's die absoluut geen gegevens hadden bijgedragen aan het trainingsproces. Dit staat bekend als een "zero-shot" test, een rigoureuze standaard in de voorspellingswetenschap die vraagt of een systeem zijn kennis kan generaliseren naar geheel nieuwe omgevingen. De resultaten waren opmerkelijk. Het model voorspelde succesvol stormvloeden bij 81 van de 84 testmeters, waarmee het een eenvoudige methode genaamd "persistentie" — die ervan uitgaat dat het waterniveau exact hetzelfde blijft als het nu is — bijna op elke locatie versloeg. Dit omvatte meters op elk bewoond continent, van Afrika tot Zuid-Amerika, wat bewees dat het model de onderliggende fysica van hoe stormen water voortstuwen had geleerd, in plaats van alleen de lokale geschiedenis te memoriseren.

De onderzoekers ontdekten dat het succes van het model sterk afhing van de diversiteit van de gegevens die het gevoed kreeg. Het was niet voldoende om simpelweg een groot aantal trainingsmeters te hebben; de meters moesten verschillende soorten kustlijnen en stormgedrag vertegenwoordigen. Wanneer het team het model testte op regio's die het nog nooit had gezien, zoals Europa of Japan, presteerde het model goed, maar de nauwkeurigheid was gekoppeld aan hoe goed die specifieke kustmilieus werden vertegenwoordigd in de trainingsset. Bijvoorbeeld, het model had iets meer moeite met de unieke door wind gedreven stormvloeden van de Noordzee, omdat dat specifieke type kust minder vaak voorkwam in de trainingsgegevens. Echter, toen zij de diversiteit van de trainingsset vergrootten door meters uit verschillende delen van de wereld toe te voegen, verbeterde het vermogen van het model om stormvloeden in deze onbekende regio's te voorspellen aanzienlijk. Dit suggereert dat de sleutel tot wereldwijde voorspelling niet alleen meer gegevens zijn, maar gegevens die de volledige variëteit vastleggen van hoe de oceaan op het weer reageert.

Een cruciaal onderdeel van de studie was het testen van het model onder realistische omstandigheden. Terwijl de initiële tests gebruikmaakten van perfecte historische weergegevens om te zien wat het model in staat was, draaiden de onderzoekers het ook met werkelijke weersverwachtingen, die fouten en onzekerheden bevatten. Zelfs met deze imperfecte inputs behield het model vier vijfde van zijn bekwaamheid en presteerde het nog steeds beter dan de eenvoudige persistentiemethode bij 72 van de 79 meters. Dit is een essentieel bevinding voor operationeel gebruik, aangezien het bewijst dat het systeem kan werken met de imperfecte gegevens waar echte voorspellers daadwerkelijk mee te maken hebben. Het model toonde ook aan dat het hebben van een live feed van lokale waterstanden het belangrijkste stuk informatie is. Wanneer het model werd voorzien van het huidige waterniveau bij een specifieke meter, sprong de nauwkeurigheid spectaculair omhoog. Zonder deze lokale observatie presteerde het model nog steeds beter dan willekeurige kans, maar kon het niet de precisie evenaren van een systeem dat precies weet waar het water zich op het moment dat de voorspelling begint bevindt.

De studie vergeleek deze nieuwe benadering met kunstmatige intelligentie ook met het beste beschikbare wereldwijde natuurkundige model, dat momenteel de gouden standaard is voor stormvloedvoorspelling. In een directe vergelijking waarbij beide systemen met dezelfde lokale waterstandsobservatie werden gevoed, was het AI-model nauwkeuriger voor algemene omstandigheden bij een voorlooptijd van acht uur. Tijdens de meest intense stormen presteerden beide systemen vergelijkbaar, waarbij geen van beide duidelijk domineerde. De natuurkundige methode behield echter nog steeds een voordeel in specifieke omgevingen, zoals de half-ingesloten Oostzee, waar de stormvloed wordt gedreven door windpatronen over het hele bekken in plaats van slechts op één punt. Dit benadrukt dat hoewel het AI-model een krachtig nieuw instrument is, het niet de noodzaak vervangt voor natuurkundige modellen in elke situatie. In plaats daarvan zijn de twee benaderingen complementair: het AI-model biedt een manier om hoogwaardige, lokale voorspellingen te brengen naar de vele kustlijnen die dat momenteel niet hebben, terwijl natuurkundige modellen essentieel blijven voor complexe, grootschalige oceaanprocessen.

Misschien wel het meest praktische aspect van dit werk is het vermogen van het model om niet alleen een enkele voorspelling te geven, maar een reeks mogelijkheden. De onderzoekers trainden het model om een "waarschijnlijkheidsenvelop" te produceren, die voorspellers vertelt hoe groot de kans is dat het water bepaalde hoogtes zal bereiken. Hoewel de enkele puntvoorspelling van het model soms de absolute pieken van de meest extreme stormen onderschatte, was de waarschijnlijkheidsenvelop goed gekalibreerd. Het dekte het overgrote deel van de uren tijdens een storm, waardoor rampenbestrijders een betrouwbaar beeld kregen van het risico. Hoewel de envelop niet bij elk enkel extreem evenement de absolute piek wist te vangen, bood het een veel beter beeld van het gevaar dan de eenvoudige aanname dat het water op het huidige niveau zou blijven. Deze probabilistische informatie is precies wat nodig is om geïnformeerde beslissingen te nemen over evacuaties en de toewijzing van middelen.

De implicaties van dit onderzoek reiken veel verder dan de technische details van het model. Voor het eerst is er een bewezen methode om deskundige, lokale stormvloedvoorspellingen te genereren voor elke kustlijn ter wereld, mits er een getijdenmeter aanwezig is om een startpunt te bieden. Deze capaciteit kan de manier waarop vroege waarschuwingssystemen worden opgebouwd fundamenteel veranderen, met name in de minst ontwikkelde landen en kleine eilandstaten die historisch gezien buiten het wereldwijde voorspellingsnetwerk zijn gevallen. De onderzoekers benadrukken dat het hebben van een voorspelling slechts de eerste stap is; het omzetten van die voorspelling in een levensreddende waarschuwing vereist lokaal bestuur, financiering en het vermogen om te handelen. Maar door de technische barrière weg te nemen die nodig is voor een lokale, natuurkundige model voor elke afzonderlijke kust, opent dit werk de deur naar een meer rechtvaardige verdeling van veiligheid. De studie concludeert dat de weg vooruit bestaat uit het blijven uitbreiden van het wereldwijde netwerk van getijdenmeters en het verfijnen van deze modellen om de resterende hiaten in de kustdiversiteit te dekken, om ervoor te zorgen dat de volgende generatie waarschuwingen iedereen bereikt, ongeacht waar men woont.