Klimaat & energie › Klimaat-AI & biosfeersimulaties
Sterkste El Niño in decennia op komst: kan AI ons beter voorbereiden?
Meteorologen verwachten deze winter een van de sterkste El Niño's ooit gemeten, met kans op verwoestende regenval en overstromingen. Onderzoekers van de Universiteit van Oxford werken aan AI-modellen die dat soort extreem weer sneller en goedkoper voorspellen, maar waarschuwen dat de techniek nog forse blinde vlekken heeft — vooral in kwetsbare regio's als Afrika.
De Amerikaanse klimaatdienst NOAA schat de kans op een zeer sterke El Niño deze herfst en winter op meer dan 90 procent. Er is zelfs 69 procent kans dat dit exemplaar alle El Niño's sinds 1950 overtreft. El Niño is een periodiek terugkerende opwarming van de oceaan in de Stille Oceaan die het weer wereldwijd verstoort, met hevige regenval, overstromingen en aardverschuivingen tot gevolg. Kenia werd in het verleden hard geraakt door dit fenomeen: bij de El Niño van 1997-98 vielen honderden doden, en ook in 2006-07, 2015-16 en 2023-24 richtten overstromingen grote schade aan.
Het probleem beperkt zich niet tot Oost-Afrika. In september 2023 veroorzaakte storm Daniel een ramp in het Libische Derna, waar twee dammen doorbraken en minstens 4.000 mensen omkwamen. In april 2024 kreeg Dubai de zwaarste regenval in 75 jaar te verwerken, en dezelfde zomer brak in Soedan de Arba'at-dam door, waardoor 20 dorpen werden verwoest en 50.000 mensen werden getroffen. Met een historische El Niño in aantocht groeit de noodzaak om dit soort rampen tijdig te zien aankomen.
AI als snelle, goedkope voorspeller
Klassieke weermodellen berekenen het weer met complexe natuurkundige vergelijkingen, wat veel rekenkracht kost. Een AI-weersvoorspellingsmodel leert in plaats daarvan uit enorme hoeveelheden historische data een statistisch verband tussen actuele en toekomstige weersomstandigheden. Eenmaal getraind draait zo'n model op gewone computers, veel goedkoper dan numerieke weersvoorspelling. Modellen als GraphCast, ontwikkeld door Google DeepMind, presteren op snelheid en gemiddelde nauwkeurigheid soms beter dan traditionele systemen.
Toch kent AI een belangrijke makke: het zogeheten extrapolatieprobleem. De modellen zijn getraind op patronen uit het verleden en hebben moeite met records die daarbuiten vallen — precies de extreme hittegolven, overstromingen en stormen die door klimaatverandering steeds vaker voorkomen. Onderzoek laat zien dat AI-systemen de intensiteit van zulke recordbrekende gebeurtenissen vaak onderschatten.
Afrika ondervertegenwoordigd in trainingsdata
Dit probleem is extra groot in Afrika. AI-modellen worden vooral getraind op meetgegevens uit Noord-Amerika, Europa en Oost-Azië, omdat daar de meeste weerstations, satellieten en historische data vandaan komen. Juist de gebieden met de snelst groeiende blootstelling aan extreem weer zijn dus het slechtst vertegenwoordigd in de data waarop de AI leert. Voor gebieden waar mensenlevens op het spel staan, is een AI die een 1-op-1000-jaar-gebeurtenis onderschat niet alleen een technisch mankement, maar een humanitair risico.
Onderzoekers van Oxford proberen dit gat te dichten met AfriClimate AI, een Afrikaans onderzoeksinitiatief. Samen bouwen ze aan Forecast4Africa, een systeem dat mondiale AI-weermodellen kalibreert op Afrikaanse metingen en behoeftes. Dit bouwt voort op eerder werk met het Wereldvoedselprogramma van de VN in Kenia, Ethiopië, Oeganda en Rwanda, waarbij AI regenvoorspellingen al aantoonbaar verbeterde. De onderzoekers pleiten daarnaast voor automatische waarschuwingssystemen die menselijke experts inschakelen zodra een model afwijkende omstandigheden tegenkomt, en voor strenge testprotocollen waarbij iconische extreme gebeurtenissen bewust worden achtergehouden bij het trainen, om de betrouwbaarheid van vroegwaarschuwingssystemen te toetsen.
Achtergrond & begrippen
Wat betekent dit voor de toekomst? Nu klimaatverandering extreem weer vaker en heviger maakt, kan klimaat-AI rampen als overstromingen en stormen sneller en goedkoper voorspellen dan traditionele modellen. Maar zonder voldoende Afrikaanse meetdata en zonder strenge controlemechanismen dreigt AI juist de gebieden met het grootste risico te onderschatten, wat de ongelijkheid in rampenbestrijding kan vergroten.
- El Niño
- Een periodiek terugkerende opwarming van het oppervlaktewater in de tropische Stille Oceaan die het weer wereldwijd beïnvloedt, met onder meer hevige regenval en overstromingen tot gevolg.
- AI-weersvoorspellingsmodel
- Een kunstmatige-intelligentiesysteem dat uit historische weergegevens een statistisch verband leert tussen huidige en toekomstige weersomstandigheden, zonder de onderliggende natuurkunde expliciet te berekenen.
- Numerieke weersvoorspelling
- De klassieke methode om het weer te voorspellen door natuurkundige vergelijkingen over lucht, temperatuur en druk op supercomputers door te rekenen.
- Extrapolatieprobleem
- De beperking waarbij een AI-model moeite heeft met het voorspellen van gebeurtenissen die buiten de patronen van zijn trainingsdata vallen, zoals ongekende recordbrekende extremen.
- Meteorologische reanalyse
- Een gereconstrueerde, consistente dataset van historisch weer over meerdere decennia, samengesteld uit metingen van weerstations, satellieten, schepen en vliegtuigen, die wordt gebruikt om AI-weermodellen te trainen.
- Vroegwaarschuwingssysteem
- Een systeem dat op basis van weersvoorspellingen tijdig waarschuwt voor naderend extreem weer, zodat mensen zich kunnen voorbereiden of evacueren.
- GraphCast
- Een AI-weersvoorspellingsmodel van Google DeepMind dat op snelheid en gemiddelde nauwkeurigheid kan concurreren met traditionele fysische weermodellen.
Bronnen
Dit artikel is met behulp van AI geschreven op basis van bovenstaande bronnen en is geen letterlijke vertaling. Zo werkt onze redactie.
