AI steeds beter in weersverwachtingen, maar mist details bij stormen
Tegenwoordig worden er niet meer alleen weermodellen op basis van natuurkunde ingezet voor het maken van weersverwachtingen, maar wordt ook machine learning modellen steeds meer toegepast. Om te analyseren hoe goed deze modellen presteren in verschillende omstandigheden, kunnen we bepaalde praktijksituaties vergelijken. Bijvoorbeeld de modelberekeningen van de stormen Amy (oktober 2025) en Éowyn (januari 2025).Dynamisch en lokaal
Stormen zijn voor de meteorologie één van de lastigste situaties om vast te leggen met een weermodel. Ze zijn erg veranderlijk: er gebeurt veel binnen het systeem dat telkens leidt tot net een andere uiting van de wind of neerslag. Daarnaast kunnen de effecten lokaal heel verschillend uitpakken. Een windvlaag kan op de ene plek veel zwaarder zijn dan 5 kilometer verderop, wat heel kleine details zijn voor modellen.
Het Europese weercentrum ECMWF heeft onderzocht hoe goed machine learning weermodellen de snel veranderende dynamiek van zulke stormen weergeven. Ze deden dit aan de hand van de grote lijnen van de stormen Amy en Éowyn, maar ook fijnere details zoals de windstoten en intensivering.
AI versus traditionele modellen
De natuurkundige (numerieke) weermodellen worden al decennialang gebruikt om het weer te berekenen. Deze modellen worden voortdurend verbeterd en zo nu en dan worden nieuwe versies uitgebracht. De laatste paar maanden zijn de AI modellen in opkomst, zoals al wel vaker besproken hier op weer.nl. Ze leren van enorme hoeveelheden historische weerdata en hebben het voordeel dat ze veel sneller en goedkoper hun berekeningen uitvoeren. In de praktijk draaien beide soorten modellen nu naast elkaar.
In de vergelijking werden de prestaties van het natuurkundige model IFS, het op machine learning gebaseerde AIFS, en het ensemble van AIFS bekeken. Het ensemble is een duur woord voor een aantal verschillende modelberekeningen die steeds net andere begincondities hebben, waardoor de spreiding van het resultaat in feite de kans op een bepaalde situatie weergeeft (de weerpluim).
Storm goed in beeld
Bij storm Amy deden zowel de traditionele als AI-modellen het goed als het gaat om de grote lijnen. De baan van de storm werd goed voorspeld en de luchtdruk en ontwikkeling van het lagedrukgebied klopten grotendeels. Ook de timing van de storm was redelijk accuraat. Op grotere schaal presteren AI-modellen inmiddels dus vrij sterk, maar op de details lopen ze punten mis.
Problemen bij windstoten
Het grootste knelpunt is het berekenen van het lokale windveld. AI-modellen hebben moeite met scherpe fronten in een storm en plotselinge intensivering (snelle uitdieping). Hierdoor worden kleine, maar felle windgebieden gemist. Over het algemeen ligt de pieksnelheid van windstoten te laag als gevolg van een egaler windveld.
Bij storm Amy werd de snelle intensivering van de storm in eerste instantie onderschat door AIFS. Pas later in de ontwikkeling kwam de verwachting beter overeen met de werkelijkheid. Vergelijkbare patronen werden gezien bij storm Éowyn. Het AI-ensemble deed het beter dan één enkele berekening. Dit geldt zowel voor traditionele als AI-modellen en helpt om onzekerheden beter in beeld te brengen in de beginfase van een storm. Beide soorten modellen vullen elkaar goed aan en de verwachting is dat ze blijvend naast elkaar zullen worden gebruikt. De beste resultaten worden bereikt door combinaties van modellen: numerieke modellen voor detail en fysica, en machine learning modellen voor snelheid en grotere patronen.
