Google had al een ruim aanbod aan diensten, maar het bedrijf dat ooit begon als zoekmachine dringt nu ook verder het veld der meteorologie binnen. DeepMind, de AI-afdeling van het bedrijf, komt namelijk met GenCast, een AI-gestuurd weersvoorspellingsmodel dat meer nauwkeurigheid belooft én drastisch lagere kosten in vergelijking met bestaande technologie.
Toegegeven, het is niet de eerste keer dat Google zich met weersvoorspellingen bezig houdt. Het bedrijf had al allerlei partnerschappen voor het leveren van weer-data, maar deze keer denkt Google écht iets bijzonders in handen te hebben. Niet alleen in een eigen blog (die vaak enigszins zelffeliciterend zijn), maar ook in het wetenschappelijke tijdschrift Nature worden de zegeningen van het nieuwe weersvoorspellingsmodel GenCast beschreven.
Wat er zo anders aan is? Het leunt minder op natuurkundige berekeningen, maar baseert voorspellingen op (historische) data. Traditionele numerieke weersvoorspellingsmodellen (NWP-modellen), zoals het ENS van het Europees Centrum voor Weersverwachtingen op Middellange Termijn (ECMWF), trekken natuurkundige vergelijkingen om de dynamica van de atmosfeer te simuleren en daarmee tot voorspellingen te komen.
In plaats daarvan maakt GenCast gebruik van historische weergegevens om machine learning-algoritmen te trainen. Hierdoor kan het complexe patronen ontdekken en interpreteren die buiten het bereik liggen van op fysica gebaseerde modellen.
Reeks aan voorspellingen
GenCast maakt gebruik van ensemblevoorspellingen –een verzameling van meerdere simulaties die mogelijke weersresultaten in kaart brengen. Die zouden niet alleen nauwkeuriger zijn dan op fysica gebaseerde voorspellingen, maar in dit geval ook rekenkundig efficiënter. Volgens DeepMind kan een enkele Google Cloud TPU v5 (gespecialiseerde hardware voor machine learning-taken) binnen acht minuten met een 15-daagse voorspelling op de proppen komen, waarbij de kosten zo’n één tot drie dollar met chip-uur bedragen.
Ter vergelijking: ENS-ensemblevoorspellingen met vergelijkbare resoluties vereisen uren op supercomputers met tienduizenden processors, wat aanzienlijke kosten en energieverbruik met zich meebrengt. Overigens kent GenCast een voorganger genaamd GraphCast, ook een weermodel gebaseerd op machine learning, maar deterministisch van aard. Ofwel, dat gaf een enkele ‘best guess’ in plaats van een reeks waarschijnlijke scenario’s, zoals ENS al deed.
Voor mensen die gewoon willen weten of ze een paraplu mee moeten nemen, betekent een weerbericht op basis van ensemblevoorspellingen een samenvatting van mogelijke scenario’s. Denk aan waarschijnlijkheden (70 procent kans op regen) of een bereik van mogelijke weersomstandigheden (met een variatie in temperatuur, regenval, enzovoorts). Dit gebeurt in veel weerberichten al.
Getraind op data van Europese weersautoriteit
Overigens is voor het trainen van GenCast wel dankbaar gebruik gemaakt van vier decennia aan historische gegevens van het bovengenoemde ECMWF, afkomstig uit diens ERA5 archief. Die gegevens gaan onder andere over temperaturen, windsnelheden en luchtdruk op verschillende hoogtes.
Dat heeft de AI achter GenCast informatie gegeven over globale weerspatronen op een resolutie van 0,25 graden. Dat betekent in de meteorologie dat de oppervlakte van de aarde in blokjes is verdeeld van ongeveer 25 bij 25 kilometer waarop het model ‘inzoomt’. Hoe hoger de resolutie, hoe geschikter de meting is voor het voorspellen van lokale fenomenen.
De resolutie die voor GenCast is gebruikt, is een mooie middenmoter: aardig wat details, maar niet zó specifiek dat het z’n geschiktheid zou verliezen voor globale weerdata. De makers van het model maken de code, de wegingen en de gedane voorspellingen beschikbaar voor het algehele vakgebied, beloven ze in hun Google-blog. De makers hopen vooral dat de technologie bijdraagt aan rampenbestrijding, bijvoorbeeld door de paden van tropische cyclonen beter te voorspellen dan bestaande modellen.
Lees ook: Nederlandse bedrijven laten AI-kansen op milieugebied nog vaak liggen