Rode lucht 's ochtends, waarschuwing voor de zeeman.
Al eeuwenlang vertrouwen mensen op weersvoorspellingen om hun leven en levensonderhoud te beschermen.
Moderne technieken zijn veel geavanceerder dan naar de hemel staren. Tegenwoordig maken weersvoorspellers gebruik van supercomputers die enorme hoeveelheden gegevens verwerken met behulp van een wiskundig model. Deze gigantische machines kunnen meer dan 10.000 biljoen berekeningen per seconde uitvoeren terwijl ze elke dag honderden miljarden weerwaarnemingen over de hele wereld filteren.
Toch is het nog steeds moeilijk om de meteorologische omstandigheden van tevoren te kennen. De atmosfeer is een dynamisch en chaotisch systeem met veel onbekende factoren. Erger nog, door de opwarming van de aarde neemt de frequentie van ernstige weersomstandigheden zoals hittegolven, overstromingen en stormen toe.
De inzet voor snelle en nauwkeurige weersvoorspellingen is nog nooit zo hoog geweest nu bedrijven, overheden en huishoudens meer levens willen redden, kosten willen beperken en zich willen aanpassen aan klimaatgevaren die naar schatting wereldwijd 200 miljard dollar per jaar aan economische schade veroorzaken . Schattingen van Swiss Re gebaseerd op vier klimaatgevaren – overstromingen, tropische cyclonen, winterstormen in Europa en zware onweersbuien. https://www.swissre.com/press-release/Economic-losses-set-to-increase-due-to-climate-change-with-US-and-Philippines-the-hardest-hit-Swiss-Re-Institute-finds/3051a9b0-e379-4bcb-990f-3cc8236d55a1
Gelukkig stelt de opkomst van machinelearning en big data-modellering wetenschappers in staat om veranderingen in de atmosfeer met grotere precisie op langere termijn te voorspellen. Tegelijkertijd maakt de technologische vooruitgang weersvoorspellingen tot een commerciële onderneming, waardoor de toegangsdrempels worden verlaagd in wat van oudsher een ondergefinancierde overheidsdienst was.
Vorig jaar werd een grote doorbraak bereikt door voorgetrainde machinelearning-modellen ontwikkeld door het Chinese Huawei. Eenmaal getraind is Pangu-weather een 3D-programma met hoge resolutie dat snellere en nauwkeurigere weersvoorspellingen doet dan conventionele methodes met slechts één server.
Dit werd gevolgd door Google, wiens DeepMind-eenheid eind 2023 zijn AI-gebaseerde weersvoorspellingssysteem GraphCast onthulde dat op een desktopcomputer draait. En in maart lanceerde Nvidia een digitaal tweelingplatform, Earth-2, om weers- en klimaatomstandigheden te simuleren.
"Datagestuurde modellen ... kunnen op het gebied van extremen concurreren met natuurkundige modellen. De wetenschappelijke gemeenschap is bezig met een snelle inhaalslag en machinelearning kan ons helpen om sneller en met een hogere resolutie modellen te maken", zegt dr. Nicolas Gruber, professor Milieufysica aan de ETH Zürich en expert in klimaatmodellering.
"Momenteel wordt de meeste innovatie op dit gebied aangedreven door privébedrijven. Alle grote tech bedrijven hebben grote investeringen gedaan op dit gebied. Tegelijkertijd is het belangrijk op te merken dat de private sector afhankelijk is van de enorme hoeveelheid open data die de wetenschappelijke gemeenschap en publieke entiteiten, zoals de weerdiensten, gratis ter beschikking stellen. Zonder die gegevens zou het trainen van deze datagebaseerde modellen niet mogelijk zijn geweest."
Zwarte doos en zwarte zwanen
Moderne weersvoorspellingen zijn afhankelijk van op fysica gebaseerde numerieke weersvoorspellingen (NWP), die gebruikmaken van de laatste weerwaarnemingen – zoals temperatuur, neerslag, druk, wind en vochtigheid – samen met een wiskundig computermodel van de atmosfeer om een voorspelling te maken.
Volgens prof. Gruber heeft de vooruitgang in krachtige computers het vandaag mogelijk gemaakt om NWP-voorspellingen met een hogere resolutie te doen, met een rasterlengte van ongeveer 1,5 km voor een periode van 7-10 dagen, het dubbele van het bereik van 20 jaar geleden.
Hoewel dit een doorbraak is, is de resolutie nog steeds niet goed genoeg om overheden in staat te stellen effectief te plannen voor rampenpreventie en evacuatieondersteuning in geval van extreme gebeurtenissen zoals orkanen, of bedrijven in staat te stellen om verliezen door overstromingen of droogte te voorkomen.
"De uitdaging ligt in het nauwkeuriger identificeren van stormpaden en het voorspellen van de gebieden die moeten worden geëvacueerd", zegt prof. Gruber.
Er is zelfs een nog fijnere resolutie nodig, in de orde van één meter, om nauwkeurig weer te geven hoe wolken zich vormen en ontwikkelen. Die vormen volgens wetenschappers immers de grootste bron van onzekerheid in projecties. Dat is niet goedkoop met een conventionele NWP-methode – modellen met een resolutie van één meter hebben 100 miljard keer meer rekenkracht nodig dan de meest vooruitstrevende 1km-modellen van vandaag.https://dl.acm.org/doi/pdf/10,1145/3592979,3593412
"Machinelearning wordt problematisch als er iets onverwachts gebeurt dat geen deel uitmaakt van de training. Met de opwarming van de aarde begeven we ons op onbekend terrein – we weten niet hoe de 2 °C of 4 °C warmere wereld eruit zal zien."
De allernieuwste AI en machinelearning beloven deze uitdagingen aan te gaan. Zo genereert Earth-2 van Nvidia beelden met een resolutie die 12 keer hoger is dan die van zijn NWP-tegenhanger, met een snelheid die 1000 keer hoger ligt en een energie-efficiëntie die 3000 keer hoger ligt.https://nvidianews.nvidia.com/news/nvidia-announces-earth-climate-digital-twin
Prof. Gruber heeft echter minder vertrouwen in het vermogen van machinelearning-modellen om het hoofd te bieden aan het ongekend wisselvallige en intense weer als gevolg van de klimaatverandering.
Doorgaans vertrouwt machinelearning op statistische regressiemodellen die zijn getraind met honderden miljoenen historische meteorologische gegevensparameters, zoals barometer druk of luchtcondities.
Maar ernstige gebeurtenissen, zoals de dodelijke overstromingen in Dubai in 2024 of de recordbrekende hittegolf in Delhi eerder dat jaar, vallen meestal buiten het bereik.
"Machine learning-modellen zijn goed in het reproduceren van parameters en gegevens die je al hebt. Maar je krijgt alleen waar ze voor getraind zijn. Het wordt problematisch als er iets onverwachts gebeurt dat geen deel uitmaakt van je training", zegt prof. Gruber .
“Met de opwarming van de aarde begeven we ons op onbekend terrein – we weten niet hoe de 2 °C of 4 °C warmere wereld eruit zal zien.”
Energie- en grondstoffenverslindend
Machinelearning-modellen vereisen een uitgebreide training in een grote datacenterinfrastructuur met supercomputers. Prof. Gruber zegt ook dat het stroomverbruik van deze opstellingen een beperking wordt voor de toekomstige ontwikkeling van systemen voor weer- en klimaat modellering.
Een model dat prof. Gruber gebruikt draait bijvoorbeeld op een supercomputer die één megawatt (1 MW) elektriciteit nodig heeft. Als deze elektriciteit wordt geleverd door een gemiddeld Europees elektriciteitsbedrijf, veroorzaakt dit de uitstoot van meer dan 4.000 ton CO2 per jaar, wat overeenkomt met meer dan 40 miljoen kilometers gereden met een gemiddelde benzineauto. Sommige van 's werelds grootste supercomputers verbruiken maar liefst 20 MW.
Dit komt op een moment dat AI en datacenters die de geavanceerde technologie ondersteunen al voor extra druk zorgen op lokale elektriciteitsnetten. Het Internationaal Energieagentschap verwacht dat het wereldwijde elektriciteitsverbruik van datacenters tegen 2026 meer dan verdubbeld zal zijn tot meer dan 1.000 terawattuur, ongeveer gelijk aan wat Japan jaarlijks verbruikt.
"Het schalen van machinelearning-modellen is een uitdaging, omdat meer rekenkracht niet altijd evenredige verbeteringen in de prestaties oplevert", zegt prof. Gruber.
"De rekenkracht die nodig is om de opkomst van AI te ondersteunen, verdubbelt ongeveer elke 100 dagen, wat niet duurzaam is. Het is noodzakelijk dat we de vooruitgang van AI in evenwicht brengen met de vereisten van duurzaamheid."
Beleggingsinzichten
door Jennifer Boscardin-Chin, Senior Client Portfolio Manager, Thematic Equities, Pictet Asset Management
-
De komst van machinelearning en artificiële intelligentie brengt enorme voordelen met zich mee. De basis voor deze geavanceerde technologie wordt gelegd door datacenters, die met andere bedrijven, industrieën en omwonenden concurreren om energie, water en land. Hun toenemende ecologische voetafdruk betekent dat de vraag naar efficiëntere oplossingen zal toenemen om het gebruik van energie en hulpbronnen effectiever te optimaliseren.
-
Door de frequentere extreme weersomstandigheden nemen de inspanningen toe om te investeren in klimaatadaptatie, bedoeld om de veerkracht van steden en hun infrastructuur te vergroten. De markt voor klimaatadaptatie – met inbegrip van groene gebouwen en technologieën, duurzame landbouwpraktijken en het verbeteren van de paraatheid bij rampen – zal de komende jaren naar verwachting twee biljoen dollar bereiken (bron: Bank of America). Bovendien is het rendement op investeringen aantrekkelijk – elke dollar die in aanpassingsstrategieën wordt geïnvesteerd, kan tegen 2030 een rendement genereren van 2-10 dollar (bron: World Resource Institute).
-
Of het nu gaat om energie-efficiënte technologieën of strategieën voor klimaatadaptatie, bedrijven die milieuoplossingen bieden, zullen waarschijnlijk op lange termijn een aanhoudende rendementspremie opleveren. Dit komt vaak omdat de markt de drijvende krachten achter milieugroei op lange termijn en hun blijvende karakter onderschat en te veel nadruk legt op winstramingen op korte termijn.
