Weer voorspellen blijft een uitdaging

Het voorspellen van het weer is geen eenvoudige opgave. Hoewel je misschien kunt afleiden hoe het lokaal gesteld is door naar de vlieghoogte van zwaluwen te kijken, biedt dit weinig inzicht in bredere weerspatronen. Dit is vooral belangrijk bij vraagstukken zoals het inschatten van toekomstige elektriciteitsproductie door windmolens. Met het nieuwe weermodel GenCast wordt voorspellen op de middellange termijn echter nauwkeuriger dan met de huidige modellen.

De rol van kunstmatige intelligentie

Kunstmatige intelligentie, en meer specifiek machine learning, speelt al langere tijd een rol in weersvoorspellingen. Toch blijven voorspellingen op de langere termijn vaak onzeker. Een zonnig weekend kan onverwacht omslaan in regen, of een voorspelde regenbui blijft uit, terwijl een wandeling in de duinen toch mogelijk was geweest.

Een doorbraak van DeepMind

Onderzoekers van Google DeepMind hebben een nieuw model ontwikkeld, genaamd GenCast, waarvan de resultaten recent zijn gepubliceerd in Nature. Het model is gebaseerd op een probabilistisch generatief AI-systeem, dat niet alleen verschillende weerscenario’s kan simuleren, maar ook inschat hoe waarschijnlijk het is dat deze uitkomen. Dit is mogelijk doordat het model is getraind op vier decennia aan historische weersvoorspellingen.

In vergelijkende tests, waaronder met het veelgebruikte ENS-model van het European Centre for Medium-Range Weather Forecasts (ECMWF), presteerde GenCast significant beter. Andere modellen van DeepMind werden eveneens meegenomen in de tests, maar alleen ENS benaderde de voorspellingskracht van GenCast.

Verschillende benaderingen

Het grote verschil tussen GenCast en ENS zit in de aanpak. ENS gebruikt een reeks numerieke voorspellingen die de dynamiek van de atmosfeer berekenen op basis van natuurkundige wetten. Het richt zich op wat fysiek meetbaar is in de atmosfeer, bijvoorbeeld via satellieten en weerstations.

GenCast kiest een andere route. Het combineert diverse machine-learningalgoritmes met een heranalyse van historische gegevens. Het model genereert meerdere mogelijke weerscenario’s en bleek in meer dan 97 procent van de gevallen beter te presteren dan ENS. Vooral bij extreme weersituaties, zoals de ontwikkeling en het traject van tropische orkanen, laat GenCast een hogere nauwkeurigheid zien.

Toepassing in energieproductie

Een van de belangrijkste voordelen van GenCast is de betere voorspellingskracht voor energieopwekking door windmolens. Dit is cruciaal voor netbeheerders, die zo beter kunnen inspelen op de fluctuaties in energieaanvoer. Het model biedt nauwkeurigere inzichten in lokale windsituaties, wat betekent dat energieopbrengsten van specifieke windparken beter ingeschat kunnen worden. Voor doorlooptijden van twee dagen presteerde GenCast 20 procent beter dan ENS, terwijl verbeteringen van 10 tot 20 procent werden gezien bij voorspellingen van twee tot vier dagen.

Daarnaast houdt GenCast rekening met de geografische kenmerken rondom windparken, zoals heuvels en dalen, wat de lokale nauwkeurigheid verhoogt. Wel is het belangrijk op te merken dat deze resultaten voortkomen uit simulaties onder ideale omstandigheden, waarin windturbines optimaal functioneren.

Weermodellen in Nederland

In Nederland wordt voor middellange- en lange termijn voorspellingen gebruikgemaakt van het ENS-model van ECMWF. Voor korte termijn voorspellingen wordt het Harmonie-model ingezet, waarvan de gegevens vrij toegankelijk zijn. ECMWF-data zijn deels publiek beschikbaar, maar actuele voorspellingen worden niet openbaar gedeeld.

Bronmateriaal: Nature.com