Kunstig intelligens gør vejrudsigter mere præcise

For hundrede år siden foreslog den engelske matematiker Lewis Fry Richardson en (på dén tid) opsigtsvækkende idé: Han ville bruge matematik til at forudsige vejret ved at konstruere en systematisk proces.

I sin bog fra 1922, 'Weather Prediction By Numerical Process', forsøgte Lewis Fry Richardson at formulere en ligning, som han kunne bruge til at opklare atmosfærens dynamik baseret på håndberegninger.

Det fungerede dog ikke, fordi man dengang ikke vidste nok om videnskaben forbundet med atmosfæren.

»Måske vil det en dag i den mørke fremtid være muligt at udvikle beregningerne hurtigere, end vejret udvikler sig, og til en pris, der er mindre end besparelsen for menneskeheden som følge af den opnåede information. Men det er blot en drøm,« skrev Lewis Fry Richardson.

En stille revolution

Et århundrede senere er moderne vejrudsigter baseret på netop den slags komplekse beregninger, som Lewis Fry Richardson drømte om - og de er langt mere nøjagtige, end han kunne forestille sig.

Især i de seneste årtier har stabile fremskridt inden for forskning, data og databehandling muliggjort en 'stille revolution af den numeriske vejrudsigelse'.

For eksempel er en prognose for kraftig nedbør to dage i forvejen nu lige så god, som en sammedagsprognose for vejret var i midten af 1990'erne, og fejl i forudsigelserne for orkaners kurs er blevet halveret i de seneste 30 år.

Store udfordringer

Der er stadig store udfordringer.

Tordenvejr, der producerer tornadoer, store hagl eller kraftig regn er stadig svære at forudsige.

Og så er der kaos-teorien, ofte kaldet 'sommerfugleeffekten', som er forestillingen om, at et sommerfuglevingeslag på den ene side af kloden kan starte en storm på den anden side.

En uhyre lille påvirkning kan have en stor og uforudsigelig effekt, så små ændringer i komplekse processer gør vejret mindre forudsigeligt. Kaos begrænser vores evne til at lave præcise prognoser længere frem i tiden end omkring 10 dage.

Som i mange andre videnskabelige fagområder tænder den hastige udvikling af værktøjer som kunstig intelligens og maskinlæring et håb for vejrudsigterne.

Vi har set muligheder i vores forskning for anvendelsen af maskinlæring til forudsigelser af voldsomme og ekstreme vejrhændelser.

Vi mener dog også, at selvom disse redskaber åbner op for nye muligheder for bedre prognoser, håndteres mange dele af jobbet bedre af erfarne fagfolk.

Forudsigelser baseret på stormhistorie

I dag er numeriske vejrmodeller et meget vigtigt værktøj, når der skal laves vejrprognoser.

En vejrmodel er en simulation af atmosfæren, der bruger observationer af atmosfærens nuværende tilstand fra kilder som vejrstationer, vejrballoner og satellitter. Modellerne løser ligninger, der styrer luftens bevægelse.

Vejrmodeller er fantastiske til at forudsige de fleste vejrsystemer, men jo mindre en vejrhændelse er, desto sværere er den at forudsige.

Tag eksempelvis tordenvejr, der er skyld i kraftig regn i den ene ende af byen – men i den anden ende af byen kan man gå tørskoet hjem.

Desuden er erfarne meteorologer bemærkelsesværdigt gode til at syntetisere de enorme mængder vejrinformation, de skal tage højde for hver eneste dag, men deres hukommelse og evner er naturligvis ikke ubegrænsede.

Artificial Intelligence Can Now Predict When Lightning Will Strike https://t.co/7nNhm8DZ9W #AI #weather #MachineLearning pic.twitter.com/FDY6M3BwjY

— Tamara McCleary (@TamaraMcCleary) November 20, 2019

Ikke samme effekt overalt

Kunstig intelligens og maskinlæring kan være en hjælp i forhold til nogle af disse udfordringer. Meteorologerne bruger dette værktøj på flere måder, blandt andet til at lave forudsigelser for ekstreme og voldsomme vejrhændelser, som modellerne ikke kan levere.

I et projekt, der startede i 2017, og som blev beskrevet i en artikel fra 2021, fokuserede vi på kraftigt nedbør. Selvfølgelig ligger en del af problemet i selve definitionen af 'kraftig'. Fem centimeter regn i byen New Orleans, den største by i den amerikanske delstat Louisiana, kan betyde noget helt andet end samme mængde i Phoenix, Arizona.

Vi redegør for dette ved at bruge observationer af usædvanligt store regnmængder for hver lokation over hele USA, sammen med prognoser fra en numerisk vejrudsigelsesmodel.

Vi puttede informationerne i en maskinlæringsmetode kaldet 'random forests' ('tilfældige skove', red.), som virker ved at lave en randomiseret opsplitning af datasættet, så man ender med en række mindre datasæt, som hver danner et 'decision tree' ('beslutningstræ', red.), som bruges til at forudsige sandsynligheden for forskellige udfald.

Vurdere sandsynligheden for farligt vejr

Resultatet er et værktøj, der forudsiger sandsynligheden for, at regn, der er kraftig nok til at pludselige, voldsomme oversvømmelser kan forekomme.

Vi har siden anvendt lignende metoder til at forudsige tornadoer, kraftig hagl og kraftige tordenvejr.

Andre forskergrupper er ved at udvikle lignende redskaber. Meteorologerne ved National Weather Service i USA bruger nogle af disse redskaber til bedre at vurdere sandsynligheden for farligt vejr på en given dag.

Forskere indlejrer også maskinlæring i numeriske vejrudsigtsmodeller for at fremskynde opgaver, der kan være intensive at beregne, som eksempelvis at forudsige, hvordan vanddamp bliver omdannet til regn, sne eller hagl.

Erstatte traditionelle numeriske vejrudsigelsesmodeller

Det er muligt, at maskinlæringsmodeller i sidste ende helt kan erstatte traditionelle numeriske vejrudsigelsesmodeller.

I stedet for at løse et sæt komplekse fysiske ligninger, som modellerne gør, vil disse systemer i stedet behandle tusindvis af tidligere vejrkort for at lære, hvordan vejrsystemer har en tendens til at opføre sig.

Derefter vil de ved hjælp af nuværende vejrdata lave vejrudsigter baseret på, hvad de har lært.

En del studier har vist, at maskinlæringsbaserede prognosesystemer kan forudsige generelle vejrmønstre lige så godt som numeriske vejrmodeller, selvom de kun bruger en brøkdel af den computerkraft, som modellerne kræver.

Disse nye redskaber forudsiger endnu ikke lokalt vejr i detaljer, som folk almindeligvis er mest interesserede i, men fordi der er så mange forskere, der omhyggeligt tester dem og opfinder nye metoder, er der håb for fremtiden.

Den menneskelige ekspertises rolle

Der er også grund til at gå varsomt frem. I modsætning til numeriske vejrudsigelsesmodeller er prognosesystemer, der bruger maskinlæring, ikke begrænset af de fysiske love, der styrer atmosfæren.

Det er derfor muligt, at de kan producere urealistiske resultater - for eksempel ved at forudsige ekstreme temperaturer ud over naturens grænser, og det er uklart, hvordan de vil klare sig i forbindelse med meget usædvanlige eller hidtil usete vejrfænomener.

Desuden kan det give anledning til etiske bekymringer, hvis vi sætter vores lid til kunstig intelligens. For eksempel kan steder med relativt få vejrobservationer, som man kan træne et maskinlæringssystem med, muligvis ikke drage fordel af prognoseforbedringer, der ses i andre områder.

Godt samarbejde ønskes

Et andet centralt spørgsmål er, hvordan man bedst kan inkorporere disse nye fremskridt i prognoserne.

Det har længe været en udfordring inden for meteorologien at finde den rigtige balance mellem automatiserede værktøjer og viden fra eksperter. Hurtige teknologiske fremskridt vil kun komplicere problemstillingen endnu mere.

Ideelt set vil kunstig intelligens og maskinlæring give meteorologerne mulighed for at udføre deres arbejde mere effektivt, bruge mindre tid på at generere rutineprognoser samt mere tid til at kommunikere prognosernes implikationer og effekter til offentligheden – eller, for private meteorologer - til deres kunder.

Vi mener, at et godt samarbejde mellem forskere, meteorologer og brugere er den bedste måde at nå disse mål og opbygge tillid til maskingenererede vejrudsigter.

Denne artikel er oprindeligt publiceret hos The Conversation og er oversat af Stephanie Lammers-Clark.