Kerry Plowright had zijn benen omhoog gelegd en was op een avond eind vorig jaar televisie aan het kijken toen zijn telefoon hem waarschuwde voor een naderende hagelbui.
“Ik was stomverbaasd toen ik de deur uitliep, want het enige wat ik kon horen was dit gebrul”, zegt hij, terwijl hij het geluid beschrijft van de hagel die op de daken slaat in de stad Kingscliff in New South Wales. Hij had net genoeg tijd om zijn auto’s onder de canvas zeilen te verplaatsen en ze tegen schade te behoeden.
Ploughright is niet de enige die weinig waarschuwt voor het wilde weer tijdens de schijnbaar meedogenloze zomer van extremen in Australië. Dit seizoen kan een tweede tropische cycloon Queensland treffen.
De Albanese regering startte een onderzoek naar waarschuwingen van het Bureau of Meteorology and Emergency Services na klachten van de raad en anderen dat sommige waarschuwingen niet accuraat en actueel waren.
De zaak van Plowright is echter een beetje anders: zijn berichtgeving over het gevecht werd veroorzaakt door gegevens die waren gegenereerd door zijn eigen bedrijf Early Warning Network.
Het early-warning-netwerk analyseert gegevens van radar en externe sensoren om extreme hitte, neerslag en overstromingen te detecteren en te waarschuwen. Tot haar klanten behoren gemeenten en grote verzekeraars.
Particuliere bedrijven bieden al lang diensten aan op basis van gegevens van de BoM of instanties zoals het European Centre for Medium-Range Weather Forecasts (Ecmwf). Maar het Early Warning Network begint modellen voor kunstmatige intelligentie te testen die beloven veel meer weersinformatie snel en tegen lage kosten beschikbaar te maken.
“Je moet de vracht voor de emmer betalen [Ecmwf] gegevens”, zegt Plowright. “Nu hebben we geen supercomputer nodig om een voorspelling te kunnen maken die tot tien dagen extreem nauwkeurig zal zijn, vooral voor extreem weer.”
Kunstmatige intelligentie “zal in de loop van de tijd, en uiteindelijk ook op het gebied van het klimaat, absoluut fenomenaal zijn”, voorspelt hij.
Hoe AI ons kan helpen ons voor te bereiden op extreme weersomstandigheden
Juliette Murphy, ingenieur op het gebied van watervoorraden, is eveneens enthousiast. Ze richtte FloodMapp op om gemeenschappen meer tijd te geven om zich voor te bereiden na de verwoestende overstromingen in de Lockyer-regio van Queensland in 2011 en vervolgens in de Canadese stad Calgary twee jaar later.
FloodMapp maakt gebruik van machines die leren van elke modelrun, maar ook van traditionele hydrologische en op fysica gebaseerde hydraulische modellen. Zelfs relatief eenvoudige computers kunnen snel ‘echt grote datasets’ doorzoeken om de waarschijnlijke gevolgen van een overstroming in kaart te brengen, zegt ze.
Haar klanten zijn onder meer Queensland Fire and Emergency Services. De resultaten zijn een aanvulling op die van de BoM, waardoor autoriteiten kunnen beslissen welke huizen moeten worden geëvacueerd en welke wegen moeten worden afgesloten. “Het is niet alleen belangrijk omdat bij bijna de helft van de sterfgevallen door overstromingen mensen in auto’s betrokken zijn”, zegt Murphy.
Een woordvoerder van de BoM zegt dat het bureau “de AI-mogelijkheden al een aantal jaren proactief en veilig aanpakt”.
“Dit onderzoeksgebied is een van de vele initiatieven die het bureau actief nastreeft om zijn diensten aan de overheid, partners voor noodbeheer en de gemeenschap te verbeteren”, zegt ze.
Justin Freeman, een computerwetenschapper, leidde een BoM-onderzoeksteam dat zich bezighield met machine learning voordat hij eind 2022 vertrok om zijn eigen bedrijf Flowershift op te richten.
Flowershift bouwt een georuimtelijk model dat is getraind op basis van bestaande observatiegegevens. “We zouden de hiaten rond de huidige voorspellingsproducten opvullen”, zoals het geven van prognoses in afgelegen gebieden van Australië of daarbuiten, zegt Freeman.
“Er is veel meer flexibiliteit om dingen te kunnen verkennen [outside BoM] en ze gebruiken technologieën die heel nieuw zijn”, zegt Freeman, die nog steeds contracten voor het bureau doet. “We hebben een hele nieuwe, andere klasse modellen die compleet anders zijn dan wat [the Bureau had] werkt al vijftig jaar.”
Er zijn veel potentiële toepassingen voor modellen die goedkoop gegevens kunnen analyseren en vervolgens gelokaliseerde informatie kunnen verschaffen. Boeren zouden bijvoorbeeld kunnen vragen: “Moet ik mijn gewassen deze week besproeien?” en te horen krijgen waarom wel of niet, zegt Freeman.
“Het was nog niet zo lang geleden dat we toegang hadden tot zoiets als ChatGPT”, zegt hij. “Verwacht nog eens twee, vijf jaar, het zal alleen maar sneller en beter en beter worden.”
Beperkingen van AI
Sommige BoM- en klimaatonderzoekers waarschuwen echter in hoeverre op AI gebaseerde modellen, zoals Google’s GraphCast of Nvidia’s FourCastNet, numerieke modellen kunnen verbeteren die een reeks waarschijnlijkheden genereren.
“Voor ‘eenvoudige’ weersvoorspellingen en voor de reductie van fysieke modelgegevens, veronderstel ik [there’s] enorm potentieel”, zegt een wetenschapper van het bureau. “Ik zou heel voorzichtig zijn om ons te waarschuwen voor echte gevaren wanneer de atmosfeer gewelddadig wordt.
na het promoten van de nieuwsbrief
“En met de klimaatverandering moeten we dingen beter begrijpen die ver buiten de norm liggen.”
Sanaa Hobeichi, een postdoctoraal onderzoeker bij het ARC Centre of Excellence for Climate Extremes, zegt dat er ondanks de beperkingen nog steeds voordelen zijn.
Bestaande klimaatmodellen bieden doorgaans alleen ‘grove’ resoluties, zoals het schatten van neerslagveranderingen over gebieden van 150 bij 150 km. In Sydney zou een model van die omvang bijvoorbeeld de stad, de bergen en meer vastleggen en dus van beperkt nut zijn.
Het GraphCast-voorspellingsmodel van Google heeft momenteel een resolutie van maximaal 28 bij 28 km, terwijl Hobeichi zegt dat sommige AI slechts 5 bij 5 km kan modelleren.
De uitdaging is echter dat machinale leertechnieken de onvolkomenheden van de traditionele modellen waarop ze trainen, overnemen en mogelijk extrapoleren.
Jyoteeshkumar Reddy Papari, een postdoctoraal onderzoeker bij CSIRO, merkte op dat de Ecmwf aanvankelijk sceptisch stond tegenover AI, maar onlangs zijn eigen experimentele model lanceerde. Het toont ook verschillende andere op zijn website, waaronder die van Google.
“Landen die geen goede meteorologische organisaties hebben, vertrouwen op deze machine learning-modellen omdat ze supergemakkelijk te leren en openbaar beschikbaar zijn”, zegt hij. “Dus sommige Afrikaanse landen gebruiken deze voorspellingen.”
Google-onderzoekers beweerden vorig jaar dat GraphCast “significant beter presteert dan de meest nauwkeurige” besturingssystemen in 90% van de 1.380 doelen. Tropische cyclonen, atmosferische rivieren en extreme temperaturen werden beter voorspeld dan traditionele modellen en er zijn nog steeds verbeteringen gaande.
“Een specifiek voorbeeld dat we vaak noemen is orkaan Lee, omdat het de eerste keer was dat we in realtime observeerden hoe GraphCast een orkaanpad voorspelde dat aanvankelijk anders was dan traditionele systemen, en uiteindelijk het juiste pad bleek te zijn,” zei Alvaro. Gonzalez, Goggle-onderzoeker.
“Het werd in realtime gedetecteerd en dat is ook zo bevestigd door onafhankelijke bronnen.”
De huidige tracking van een potentiële cycloon in de Koraalzee – die Kirrily zal heten als deze zich dit weekend naar verwachting vormt – zal ook worden gemonitord om te zien hoe de modellen zich verhouden.
Ecmwf’s machine learning-coördinator, Matthew Chantry, zegt dat AI-modellen “een zeer opwindende weg zijn als aanvulling op traditionele prognoses”, hoewel laatstgenoemde enkele voordelen behoudt.
“De schattingen van de tropische cycloonintensiteit zijn een goed voorbeeld”, zegt hij. “Het is een open vraag of deze tekortkomingen blijven bestaan naarmate de technologie volwassener wordt – het is nog erg vroeg.”
De autoriteiten handelen op basis van kansen berekend door traditionele modellen, maar daarvoor is een hele grote supercomputer nodig. “Met AI-voorspellingen is dit dramatisch verminderd, waarbij sommige schattingen een duizendvoudige reductie in de voorspelling van energie suggereren. Goedkopere systemen kunnen daarom een drijvende kracht zijn achter gelijkheid.
“Deze lagere kosten zouden ook in grotere ensembles kunnen worden geïnvesteerd, waardoor we een beter idee hebben van de onwaarschijnlijke maar extreme gebeurtenissen die zich kunnen voordoen.”
En wat betreft het voorspellen van de gevolgen van een opwarmende planeet?
“Het probleem is veel moeilijker dan weersvoorspellingen, met minder gegevens”, zegt Chantry. “In een veranderend klimaat, waar bewijsmateriaal wijst op een toename van extreme gebeurtenissen, is elke hulp bij het voorspellen van deze gebeurtenissen echter van grote waarde.”