A geophysically constrained Transformer model for tropical cyclone track and intensity simulation over the western North Pacific and its contribution analysis

Tropische cyclonen behoren tot de krachtigste en meest destructieve natuurkrachten op aarde, waarbij ze boven warme oceaanwateren ontstaan om felle winden en hevige regenval te ontketenen over kustgemeenschappen. Het voorspellen van de exacte route van deze stormen en hoe sterk ze zullen worden, is een constante strijd voor meteorologen. Traditionele methoden vertrouwen op massale computersimulaties die complexe fysische vergelijkingen oplossen, maar deze systemen zijn traag, vereisen enorme rekenkracht en hebben vaak moeite om snel genoeg bij te sturen terwijl een storm zich ontwikkelt. In de afgelopen jaren hebben wetenschappers zich tot kunstmatige intelligentie gericht om het proces te versnellen, door computerprogramma's te trainen om patronen in historische weergegevens te herkennen. Veel van deze digitale modellen fungeren echter als 'black boxes'; ze kunnen voorspellingen doen, maar ze leggen niet uit waarom ze die hebben gedaan, en ze negeren soms de fundamentele natuurwetten die bepalen hoe een storm beweegt en intensiveert.

Een team onderzoekers van de Beijing Normal University en de Monash University heeft een nieuwe aanpak ontwikkeld die dit gat overbrugt. Ze hebben een geavanceerd computermodel gecreëerd dat het patroonherkenningsvermogen van moderne kunstmatige intelligentie combineert met de harde regels van de geofysica. Dit model, specif으로 ontworpen voor de westelijke Noordelijke Pacific — de meest actieve regio voor tropische cyclonen op de planeet — leert van decennia aan historische stormrecords en atmosferische gegevens. In tegen tegenstelling tot eerdere pogingen die de storm als een eenvoudige reeks getallen behandelden, is dit nieuwe systeem "geofysisch beperkt", wat betekent dat het wordt geleid door de werkelijke fysieke relaties tussen de storm en zijn omgeving. De onderzoekers testten dit model tegen twee andere veelvoorkomende soorten voorspellingsinstrumenten: één die leert van reeksen gegevens in de loop van de tijd en een andere die beslisbomen bouwt op basis van het verleden. Hun resultaten tonen aan dat door de fysieke realiteit van de storm te respecteren, hun model het pad en de kracht van een tropische cycloon met grotere nauwkeurigheid en stabiliteit kan voorspellen, met name in de kritieke eerste dagen van het leven van een storm.

De onderzoekers richtten zich op de westelijke Noordelijke Pacific, een uitgestrekt oceaanbekken waar meer dan een derde van de tropische cyclonen wereldwijd elk jaar ontstaat, wat regelmatig landen in Oost-Azië bedreigt. Om hun model te trainen, voedden ze het met een enorm archief aan informatie, inclusclusief de geregistreerde paden en intensiteiten van stormen van 1949 tot 2024, samen met gedetailleerde momentopnames van de atmosferische en oceanische omstandigheden rond die stormen. Het model leerde de huidige staat van een storm te bekijken — de locatie, windsnelheid en luchtdruk van het centrum — en de omgeving, zoals de zeetemperatuur en windpatronen op verschillende hoogtes in de lucht. Het gebruikte deze informatie vervolgens om te voorspellen waar de storm zou zijn en hoe sterk deze in de toekomst zou zijn, stap voor stap, tot 36 uur vooruit.

Toen het team hun nieuwe model op de proef stelde, presteerde het beter dan de standaardinstrumenten die voor vergelijking werden gebruikt. Voor kortetermijnvoorspellingen zes uur in de toekomst, voorspelde het model de locatie van de storm met een gemiddelde fout van ongeveer 200 kilometer, een significante verbetering ten opzichte van de andere methoden. Zelfs wanneer er verder vooruit werd gekeken naar 36 uur, behield het model een hoog niveau van betrouwbaarheid, met een gemiddelde fout van ongeveer 357 kilometer. Wat betrept de voorspelling van de intensiteit, die wordt gemeten door de snelheid van de sterkste aanhoudende wind, was het model even indrukwekkend. Zes uur vooruit schatte het de windsnelheden met een gemiddelde fout van slechts 2,59 meter per seconde, en na 36 uur groeide de fout naar 7,54 meter per second. Deze resultaten waren opvallend beter dan de andere modellen, die grotere fouten maakten in zowel locatie als windsnelheid, vooral in de cruciale eerste uren van een voorspelling.

Wat dit werk bijzonder waardevol maakt, is niet alleen de nauwkeurigheid, maar ook de helderheid van hoe het model tot zijn conclusies komt. De onderzoekers gebruikten een methode om de lagen van de kunstmatige intelligentie af te pellen en te zien welke stukken informatie het belangrijkst waren. Ze ontdekten dat het model zwaar leunde op twee specifieke factoren: de luchtdruk in het centrum van de storm en de windsnelheid. Deze twee elementen waren verantwoordelijk voor meer dan de helft van het besluitvormingsvermogen van het model. Dit komt exact overeen met wat meteorologen al lang weten: de intensiteit van een storm is nauw verbonden met de interne druk en de windstructuur. Het model hield ook rekening met grotere atmosferische patronen en oceantemperaturen, maar deze speelden een secundaire rol, als ondersteunende acteurs in plaats van de hoofdrolspelers. Deze bevinding suggereert dat het model niet alleen gegevens memoriseert, maar ook daadwerkelijk de fysieke logica begrijpt van hoe stormen zich gedragen.

Het team testte hun systeem ook op twee specifieke, reële stormen om te zien hoe het omging met complexe situaties. In één geval, een storm die gestaag over de open oceaan trok, volgde het model het pad met hoge precisie. In een ander geval, een storm die snel intensiveerde nabij de kust, identificeerde het model succesvol de trend van versterking, hoewel het de piekwindsnelheid iets onderschatte. Deze praktijktesten bevestigden dat het model diverse omstandigheden kon afhandelen zonder onrealistische of grillige sprongen in de voorspellingen te produceren. Hoewel het model niet perfect is en nog steeds uitdagingen kent bij de meest extreme en snel veranderende stormen, vormt het een belangrijke stap voorwaarts. Door de snelheid van kunstmatige intelligentie te combineren met de betrouwbaarheid van de natuurkunde, biedt dit nieuwe instrument een veelbelovende manier om vroege waarschuwingen te verbeteren en gemeenschappen te helpen zich voor te bereiden op de krachtige stormen die hun kusten bedreigen.