Tot nog toe is het erg lastig gebleken om dergelijke voorspellingen te maken met de huidige systemen, die gebaseerd zijn op weer- of klimaatmodellen. Met deze nieuwe, op machine learning gebaseerde voorspellingstechniek heeft het team van Vijverberg nu bepalende vooruitgang geboekt. Ze analyseerden de oogst van soja in de Verenigde Staten en toonde aan dat je een slechte oogst al voor het zaaien kunt voorspellen. Sem Vijverberg legt uit: "We hebben getest hoe goed de op machine learning gebaseerde voorspelling over de afgelopen 25 jaar zou hebben gepresteerd en toonden aan dat onze voorspelling, in de meer voorspelbare jaren, voor februari 75% van de tijd correct was. Dat is een grote stap voorwaarts vergeleken met de huidige sojaoogstvoorspellingen die pas begin augustus worden gegeven." De onderzoeksresultaten zijn gepubliceerd in Artificial Intelligence for the Earth System.
Kubussen
Traditionele weersvoorspellingen worden gemaakt met behulp van numerieke modellen, die het klimaatsysteem opdeelt in kubussen. Elke kubus heeft z’n eigen temperatuur, luchtvochtigheid, windsnelheid, etcetera. Het model kan berekenen hoe al deze variabelen veranderen als functie van tijd. Maar er zijn fysische interacties die op een veel kleinere ruimtelijke en temporele schaal plaatsvinden dan de grote van de kubusjes. Met een statische omschrijving (parametrisatie) wordt de impact van deze kleinschalige processen op de grotere kubusjes ‘geschat’, maar deze schattingen zijn helaas niet perfect.
Interactie oceaan en atmosfeer
Parametrisatie speelt een belangrijke rol bij het simuleren van de interactie tussen de oceaan en de atmosfeer, en die interactie is belangrijk voor de voorspelbaarheid op langere tijdschalen. Het lijkt erop dat imperfecte parametrisatie leidt tot de beperkte voorspelbaarheid van numerieke modellen. Om dit te omzeilen maakte Vijverberg in zijn onderzoek gebruik van data-gedreven technieken. Vijverberg: “Zo hebben we geleerd hoe de koppeling tussen de oceaan en de atmosfeer verandert per seizoen, en welke factoren er nodig zijn voor een sterke koppeling tussen de oceaan en de atmosfeer. Mede door deze inzichten kunnen we de temperatuur of bijvoorbeeld mislukte oogsten in de verenigde staten veel beter en eerder voorspellen dan voorheen.”
Spin-off
Niet alleen boeren kunnen baat hebben bij een betrouwbare voorspelling voor de langere termijn; denk ook aan het adequaat vullen van de gasvoorraden: komt er een zachte winter aan of een strenge winter? Dat heeft gevolgen voor de hoeveelheid gas die ingeslagen moet worden. Vijverberg: “Door de chaos in het klimaatsysteem zullen we nooit in staat zijn om precies te voorspellen hoe het weer zal zijn over drie maanden om twee uur in de middag. Desalniettemin kunnen we vaak wel iets zeggen over wat er gemiddeld en waarschijnlijk zal gebeuren.”
De ontwikkelde methode is generiek toepasbaar op andere werelddelen, weersvariabelen, of weersafhankelijke variabelen zoals oogst opbrengst. Een kanttekening hierbij is dat er voor alle gebieden en variabele wel een duidelijk limiet bestaat in voorspelbaarheid door de inherente chaos in ons klimaatsysteem. Diepgaande kennis over het klimaatsysteem helpt om de juiste keuzes te maken bij de ontwikkeling van voorspellingen met behulp van data-gedreven technieken. Vijverberg: “Om de innovatie succesvol te integreren in de samenleving is betrokkenheid nodig van experts. Daarom zijn wij bezig met het opzetten van een spin-off genaamd Beyond Weather, waarmee wij operationele weersvoorspellingen gaan ontwikkelen voor stakeholders in de sectoren: energie, agricultuur, en humanitaire hulp. Momenteel hebben we een al een product ontwikkeld dat de voorspelling van temperatuur in Europa één tot drie maanden vooruit substantieel verbeterd.”