Seizoensvoorspellingen
De afgelopen vijf jaar heeft het Instituut voor Milieuvraagstukken (IVM) een generieke, kunstmatige intelligentiemethode ontwikkeld voor het maken van seizoensvoorspellingen. De start-up gebruikt voor het voorspellen van oppervlaktetemperaturen machine-learning technieken in een combinatie van temperatuur op twee meter hoogte, zee-oppervlakte temperatuur en bodemvocht. De analyse van resultaten toont aan dat de voorspellingen goed zijn voor de lente- en zomermaanden, maar nog matig zijn voor de voorspellingen van de herfst- en wintermaanden. De temperatuur van de zee oppervlakte in het noordelijk deel van de Stille Oceaan lijkt een grote rol te spelen in de voorspelbaarheid van de oppervlaktetemperatuur in West-Europa.
Voorbeeldprojecten
De methode is gebruikt voor het voorspellen van de wind die hoog in de atmosfeer rond de Noordpool van west naar oost waait, ook wel de polaire vortex variabiliteit genoemd, Indiase moesson neerslag en extreme temperaturen in de VS. Momenteel wordt deze methode tevens toegepast om operationele software te produceren voor het Wereldvoedselprogramma (droogte in Mozambique) en temperatuurvoorspelling voor een energiehandelsbedrijf.
Kunnen jullie iets meer vertellen over het project in Mozambique?
Het Wereldvoedselprogramma (WFP) gebruikt, produceert en vertaalt klimaatinformatie naar kwetsbare samenlevingen om ze klimaatbestendiger te maken. Zij helpen regeringen en partners over de hele wereld om zich aan te passen aan veranderingen in de voedselzekerheid. Zij zijn sterk afhankelijk van tijdige en betrouwbare voorspellingen voor droogte en overstromingen die kunnen worden vertaald in systemen voor vroegtijdige waarschuwing. Een van de nieuwste actieprogramma's van het WFP is financiering op basis van prognoses (Forecast-based Financing, FbF). In geval van een verwachte droogte (aangegeven door een systeem voor vroegtijdige waarschuwing) worden acties ondernomen op basis van vooraf overeengekomen financieringssystemen.
Het WFP werkt nauw samen met verschillende landen en ontwikkelt momenteel FbF samen met het nationaal meteorologisch instituut van Mozambique. Uit een eerdere samenwerking tussen het IVM en het WFP is gebleken dat onze op AI gebaseerde seizoensgebonden droogtevoorspellingen volgens het WFP een groot potentieel hebben om in het FbF-systeem te worden toegepast. Het WFP-programma maakt deel uit van de Verenigde Naties.
Start-up
Sub-seasonal to seasonal weather (S2S) predictions boosted by AI levert relevante kennis over het klimaatsysteem, biedt praktische toepassingen voor opdrachtgevers die het systeem willen inzetten in hun business en is met name interessant voor de energie- en agrarische sector aangezien die sectoren veel met het weer te maken hebben. In de energiewereld kun je denken aan netbeheerders, energiehandelaren en energieproducenten. In de agrarische sector kun je denken aan grote landbouwbedrijven en NGO’s. De start-up bewijst tevens hoe onderzoek aan de VU de wereld een beetje beter kan maken. Niet voor niets zeggen ze: Bringing AI innovations for S2S forecasting to society.
Sub-seasonal to seasonal weather predictions boosted by AI is een start-up van Jannes van Ingen, Msc Climate Econometrics: Business & Software developer, Sem Vijverberg, Msc Climate Physics: Atmospheric & data scientist and Dim Coumou, hoogleraar VU/KNMI: Climate extremes & societal risk.
Partners
- Business partners: Cross options energy trading, MetDesk
- NGO partners: Climate Hazards Center, WFP, 510: An initiative of the Netherlands Red Cross
Academic partners: VU, DLR: Institute for Data Science, KNMI
Dit project is gelinkt aan de volgende SDG’s:
- SDG 13: Climate Action
- SDG 2: Zero Hunger
- SDG 7: Affordable and Clean Energy
