In de Meteorologica van dit voorjaar (2024-1) een paar artikelen over het gebruik van AI bij het opstellen van weersverwachtingen.
Dat gaat hard, er worden inmiddels al flink wat verwachtingen met AI (Machine Learning, ML) gemaakt, naast de 'normale' numerieke weermodellen, de NWP aanpak (zoals het eerder besproken Harmonie).
Het trainen van een ML-model is een langdurig en dus duur proces.
Er zijn in de meteorologie gelukkig ontstellend veel data beschikbaar: veel soorten metingen over lange tijd met korte intervallen.
Dat is een voordeel; het trainen op die data is goed te doen.
Het duurt lang: 4 weken continu rekenen met 32 forse computers is geen uitzondering.
Maar dan heb je ook wat: zo'n ML-model kan daarna een 10-daagse verwachting op een simpele computer maken binnen 1 minuut. Ter vergelijking: Harmonie doet 60 uur verwachting in 3 a 4 uur rekenen op een supercomputer.
Komt bij dat die ML-verwachting in vele gevallen inmiddels al beter is dan de 'ouderwetse' NWP-verwachtingen.
Sommige modellen zijn hybride: deels NWP, deels ML.
De belangrijkste ML-modellen op dit moment zijn:
- Pangu-Weather
github.com/198808xc/Pangu-Weather
- Graph-Cast
deepmind.google/discover/blog/...weather-forecasting/
- FourCastNet
github.com/NVlabs/FourCastNet
- FuXi
www.nature.com/articles/s41612-023-00512-1
- FengWu
arxiv.org/abs/2304.02948
- MetNet-3 van google
arxiv.org/abs/2306.06079
- AIFS
www.ecmwf.int/en/newsletter/17...f-forecasting-system
- GenCast
arxiv.org/abs/2312.15796
Deze laatste maakt een 15-daags ensemble met 50 ensemble-leden voor 84 variabelen in 1 minuut.
ECMWF heeft al operationele ML-modellen.
Kortom, het gaat hard. Er zijn veel ontwikkelingen gaande, en de rekentijd wordt dramatisch verkort.
Daarbij zijn sommige ML-modellen nu al beter in hun verwachtingen dan de NWP-modellen.