Volg Duurzaamnieuws op Google News | Discover | of als voorkeursbron op Google
ETH Zürich heeft 100 petabytes aan NASA-data gekoppeld aan supercomputer Alps bij het Swiss National Supercomputing Centre (CSCS) in Lugano. Weerswaarschuwingen moeten sneller komen wanneer overstromingen, aardverschuivingen of andere rampen dreigen.
Met nieuwe technologie worden weermodellen steeds beter. Foto: iStock – Jacob Wackerhausen
Weermodellen moeten nu vaak uren rekenen voordat ze een bruikbare voorspelling opleveren, terwijl bij snel stijgend water of een instabiele gletsjer elke minuut telt. Klimaatfysicus Reto Knutti wijst daarom op AI-systemen die in ongeveer een minuut patronen in satelliet- en meetgegevens kunnen doorzoeken. De uitdaging is om zulke modellen snel te maken en ook betrouwbaar genoeg voor waarschuwingen waar hulpdiensten en bewoners op moeten kunnen handelen.
Zes miljard bestanden op één plek
Het team van ETH Zürich deed er ongeveer een jaar over om 6 miljard bestanden te kopiëren naar servers vlak bij de rekenmachines, bij het Swiss National Supercomputing Centre (CSCS) in Lugano. Reto Knutti, klimaatfysicus en directeur van het Centre for Climate Systems Modeling van ETH Zürich, leidde dat traject.
De verzameling staat gelijk aan ongeveer 20 miljoen speelfilms in hd. Je zou er bijna een miljoen gewone computers mee kunnen vullen. Doordat data en rekenkracht in hetzelfde gebouw zitten, hoeven onderzoekers geen dagen te wachten tot bestanden zijn verplaatst.
“Dat stelt wetenschappers in staat dingen te doen die we ons eerder niet eens konden voorstellen.”
Thomas Schulthess, directeur van het Swiss National Supercomputing Centre
AI rekent anders dan een klassiek weermodel
Traditionele weersmodellen proberen de oceaan en atmosfeer stap voor stap na te bootsen met ingewikkelde natuurkundige vergelijkingen. AI-modellen leren terugkerende verbanden uit enorme reeksen waarnemingen en gebruiken die om een nieuwe voorspelling te maken.
Zo’n statistisch model kan een verwachting voor meerdere dagen voor de hele aarde maken in ongeveer een minuut. Dat maakt het mogelijk om dezelfde situatie veel vaker door te rekenen en te kijken of een bepaald weersverschijnsel steeds terugkomt.
- Het trainen van een AI-model vraagt veel rekenkracht en is duur.
- Als het model eenmaal draait, kost het veel minder om nieuwe berekeningen te maken.
- Daardoor kunnen onderzoekers sneller verschillende scenario’s naast elkaar leggen.
Waarschuwingssignalen zitten soms al lang in satellietbeelden
Niet elke ramp laat zich voorspellen. Bij aardverschuivingen en instortende gletsjers zijn er in meetgegevens soms wel voortekenen te vinden, mits systemen die patronen op tijd herkennen.
Bij de gletsjerinstorting die Blatten in mei verwoestte, waren veranderingen volgens Knutti al meer dan een jaar eerder zichtbaar in satellietbeelden. Een intensievere bewaking had zo’n gebied eerder onder extra toezicht kunnen zetten.
Ook bij de dodelijke instorting van een gletsjer en bergmassa op 26 augustus, aan de grens van China en Nepal, zagen analyses van satellietbeelden vooraf signalen. Die gegevens hadden gebruikt kunnen worden om het gebied systematisch te volgen.
Goed om te weten
Satellieten meten niet alleen wolken en temperaturen. Ze kunnen ook kleine verschuivingen in berghellingen, gletsjers en aardoppervlakken zichtbaar maken.
Voor Nederland kan snelheid vooral bij water helpen
Een model dat wereldwijd snel patronen doorzoekt, kan ook voor Nederland interessant zijn bij zware regen, stormen en snel stijgend water. Hulpdiensten en waterbeheerders hebben dan vooral iets aan voorspellingen die vroeg genoeg komen om maatregelen voor te bereiden.
De techniek vervangt geen dijken, peilmetingen of mensen die het weer volgen. Snellere analyses van satellietbeelden en weerdata kunnen wel helpen om gebieden eerder onder gerichte bewaking te zetten.
Dat sluit aan bij de bredere Europese opgave rond extreem weer: klimaatmodellen en waarnemingen moeten nauwkeurig zijn en bruikbaar op het moment dat een besluit nodig is. Bij een dreigende overstroming telt een waarschuwing van uren eerder flink mee.
De volgende stap: van data naar betrouwbare alarmsystemen
ETH Zürich wil de modellen verder ontwikkelen zodat ze grote hoeveelheden data aankunnen en in meer regio’s bruikbaar worden. Knutti benadrukt dat de echte opgave nu ligt bij het duiden van alle beschikbare informatie.
Controle blijft daarbij essentieel. Een AI-systeem kan een opvallend patroon aanwijzen, maar een waarschuwing moet nog steeds steunen op betrouwbare metingen en deskundigen die beoordelen wat er werkelijk dreigt.
De komende ontwikkelfase draait om modellen die de dataset van 100 petabytes gebruiken voor weersverwachtingen én voor systemen die risicogebieden voortdurend kunnen volgen.
