Hoe leert AI sneeuwvoorspellingen?
In het nieuwe jaar hinten weerkaarten naar winterse buien met sneeuw. Ook AIFS, het machine learning model van het Europese centrum voor weersvoorspellingen (ECMWF), produceert kaarten met de verwachtingen voor sneeuwval. In AI modellen komt geen natuurkunde te pas voor ingewikkelde berekeningen die de neerslagsoort kunnen categoriseren. AIFS moet daarom ergens anders de voorspelbaarheid vandaan halen.Trainen op patronen
In het natuurkundige model van ECMWF, IFS, wordt sneeuwdiepte berekend met behulp van de sneeuwval en sneeuwdichtheid. Naarmate er sneeuw valt, smelt of sublimeert worden deze waarden bijgewerkt. Een wiskundige vergelijking van de sneeuwdiepte en de sneeuwdichtheid bepaalt de graad van sneeuwbedekking, wat beschrijft hoeveel van de grond bedekt is met sneeuw. De sneeuwval zelf wordt berekend uit factoren als de luchtdruk en de temperatuur van hogere luchtlagen.
De relaties tussen deze factoren zijn niet vastgelegd in het machine learning model. In plaats daarvan wordt het model getraind om de sneeuwdiepte direct te voorspellen. De sneeuwbedekking wordt vervolgens herleid uit gekoppelde relaties en patronen in de data.
Regio’s met veel variabiliteit in de sneeuwbedekking zijn het lastigste voor machine learning modellen om de juiste patronen te leren. Dit in tegenstelling tot gebieden die permanent met sneeuw zijn bedekt en waar de omstandigheden in de loop der tijd relatief stabiel blijven. In het eerste geval hebben de gebieden een seizoensgebonden sneeuwdek en een kleine sneeuwdiepte, wat sterk varieert per locatie en per jaar. AIFS leerde in de beginfase van zijn training van het permanente sneeuwdek op gletsjers, waarna de focus werd verlegd op seizoensgebonden sneeuw. Het model leerde hierdoor zowel de stabiele als de onvoorspelbare aspecten van sneeuw.
Succesvolle resultaten
Na het trainen van het machine learning model moet deze worden gevalideerd op historische meetgegevens. De gegevens zijn een combinatie van lokale uitgevoerde metingen en regionale data verkregen van satellietmetingen. De prestaties van AIFS zijn vergelijkbaar met het op natuurkunde gebaseerde IFS.
De verschillen tussen de sneeuwdiepte op basis van satellietmetingen (gestippelde lijn) en de voorspellingen van het natuurkundige model (rode lijn) en het machine learning model (blauwe lijn). Bron: ECMWF
De berekende sneeuwdiepte van IFS is iets beter dan die van AIFS, maar AIFS presteert beter op voorspellingen van sneeuwbedekking, met name over Oost-Azië. Dit suggereert dat AIFS beter is in het plaatsen van sneeuw in de juiste regio's, terwijl IFS uitblinkt in het voorspellen van de lokale hoeveelheden. Het verschil in resolutie van de modellen kan deze resultaten deels verklaren omdat IFS op een kleinere schaal werkt dan AIFS. Lokale verschillen komen in het fijnmazige model beter naar voren.
Sneeuw in begin januari?
In het geval van sneeuwvoorspellingen van de komende tijd lopen beide modellen wat uiteen. IFS komt vanaf 2 januari met sneeuwval over Nederland en de winterse buien houden zeker een paar dagen aan. Daarentegen kwam AIFS vanaf 5 januari met sneeuw, maar dit is inmiddels bijgesteld naar 3 januari. Het 'moment suprême' kruipt steeds dichterbij, dus is het interessant om te volgen hoe beide modellen omgaan met de onvoorspelbaarheid. Lopen de berekeningen verder naar elkaar toe, of trekt één model aan het juiste eind? Dat gaat we over een kleine week zien.
