Het voorspellen van het weer is lastig. Kijken naar hoe hoog de zwaluwen in de lucht vliegen geeft misschien een indicatie voor jouw locatie, voor het grotere plaatje is het niet heel zinvol, zeker niet als je wilt voorbereiden op toekomstige aanvoer van elektriciteit door windmolens bijvoorbeeld. Een nieuw weermodel, GenCast, voorspelt beter op de middellange termijn dan het best presterende bestaande model.
Kunstmatige intelligentie, of beter machine learning, wordt al lang toegepast bij het voorspellen van het weer. Toch blijft het lastig het weer op langere termijn te voorspellen. Het voorspelde mooie weekend valt ineens in het water of het regenachtige weer verdwijnt en je had best de duinen in gekund zonder paraplu.
Deepmind
Onderzoekers van Google Deepmind ontwikkelden een nieuw weermodel en publiceerden hun bevindingen in Nature. De naam van het model is GenCast en werkt op basis van een probabilistisch generatief AI-model. In andere woorden: een model dat verschillende weersvoorspellingen bedenkt en daarbij ook bedenkt hoe goed het mogelijk is dat zo’n model uitkomt. Dit ‘weet’ het model doordat het getraind is op 40 jaar aan weersvoorspellingen.
GenCast werd vervolgens vergeleken met hoe goed andere weermodellen voorspelden, waaronder het op dit moment veel gebruikte ENS-model van het European Centre for Medium Range Weather Forecasts ECMWF. Ook andere, eerder door Deepmind ontwikkelde, modellen werden meegenomen in de tests. Uiteindelijk bleek alleen ENS in de buurt te komen van de voorspelcapaciteiten.
Het grote verschil tussen GenCast en ENS is dat ENS zich baseert op een reeks aan numerieke weersvoorspellingen die berekeningen maken aan de hand van de dynamiek in de atmosfeer. Met andere woorden: het zijn berekeningen op basis van natuurkundige wetten. ENS kijkt dus vooral naar de fysieke werkelijkheid: wat gebeurt er nu in de atmosfeer en wat detecteren onze satellieten en weerstations?
GenCast doet dit anders en maakt op een andere manier gebruik van verschillende machine-learningalgoritmes en heranalyse van historische data. Vervolgens publiceert het systeem verschillende trajecten waarlangs het weer zich kan ontwikkelen die in ruim 97 procent van de gevallen een betere voorspelling gaven dan ENS.
De onderzoekers schrijven dat een van de belangrijke voordelen van GenCast ten opzichte van ENS is dat de precisie van extreem weer vooral hoger ligt, zoals hoe een tropische orkaan zich ontwikkelt en welk pad de orkaan zal volgen.
Windmolens en energieproductie
Een belangrijk aspect waar de onderzoekers op wijzen, is het beter kunnen voorspellen van de hoeveelheid energie die opgewekt zal worden met een windmolenpark. Dit is belangrijk om te kunnen anticiperen op de toekomst. Als heel lokaal bekend is dat ergens meer of minder wind zal zijn, dan is ook beter bekend of een specifiek windpark meer of minder elektriciteit kan leveren. Voor netbeheerders die onze elektriciteitsnetten beheren, is dit cruciale informatie.
In vergelijking met het ENS-model deed GenCast het ongeveer 20 procent beter bij doorlooptijden van twee dagen en met verbeteringen tussen de 10 en 20 procent voor doorlooptijden van 2 tot 4 dagen met betrekking tot voorspelde energieproductie. Het model neemt ook de ruimtelijke structuur van een windpark beter mee, zoals of er bergen en dalen zijn, wat zorgt voor betere lokale voorspellingen.
Belangrijk is wel om te bedenken dat het hier om simulaties gaat en uitgegaan is van ideale situaties waarbij windturbines perfect functioneren.
Weermodellen in Nederland
In Nederland wordt voor de middellange- en lange termijn het ENS-model van ECMWF gebruikt en voor de korte termijn het Harmonie-model. De data van het Harmonie-model zijn vrij toegankelijk. ECMWF-datasets zijn deels vrij toegankelijk, maar niet de actuele voorspellingen.
De achterliggende code van GenCast is op GitHub te vinden.
