AI voor weerkunde en klimaatadaptatie
Wat is AI?
Artificiële Intelligentie (AI) stelt een machine in staat om intelligente taken uit te voeren, zoals plannen, redeneren, voorspellen en classificeren.
Machine learning (machinaal leren) is een tak van de AI waarbij een computerprogramma leert van bestaande gegevens om voorspellingen of taken uit te voeren. Een ML programma kan bijvoorbeeld dieren in foto’s herkennen door te leren van bestaande afbeeldingen.
Sinds 2012 heeft AI een enorme sprong voorwaarts gemaakt dankzij ontwikkelingen in deep learning (artificiële neurale netwerken met zeer veel lagen), samen met krachtigere computers. Met de kracht van deep learning worden technologieën zoals zelfrijdende auto’s, virtuele assistenten (Siri, Google Assistant, Alexa,…), en diensten gebaseerd op grote taalmodellen, zoals chatGPT, steeds beter. AI heeft steeds meer praktische toepassingen, ook in de wetenschap.
AI voor weerkunde
Het weer voorspellen is uitdagend, omdat er veel verschillende tijds- en ruimtelijke schalen een rol spelen. Numerieke weermodellen lossen de fysische vergelijkingen van de atmosfeer op om zo een voorspelling te maken. Ze vereisen veel computerkracht en worden minder betrouwbaar bij voorspellingen ver in de toekomst.
Hoe fijnmaziger de modellen, hoe nauwkeuriger de voorspellingen lokaal zijn, zoals getoond in de volgende figuur. Dit vereist helaas ook veel meer rekenkracht. Een alternatief is om de modellen te verfijnen met AI.
Berekenen van het stadsklimaat
Steden hebben een uniek klimaat door de vele gebouwen en straten. Overdag slaan ze zonlicht op als energie, die ’s nachts als warmte wordt uitgestraald. Dit stedelijk hitte-eiland effect zorgt ervoor dat steden ’s nachts warmer zijn dan omliggende landelijke gebieden. Daar bovenop wordt er door menselijke activiteit lokaal extra warmte geproduceerd (bvb. verwarming, auto’s,…). Het voorspellen van het stadsklimaat is complex omdat traditionele weermodellen meestal op grotere schalen werken. Het fijnmazige stadslandschap zorgt voor microklimaten die sterk kunnen verschillen binnen een stad, door lokale effecten zoals luchtvervuiling en verschillen in bebouwing. Dit maakt stedelijke voorspellingen uitdagend en vaak afwijkend van regionale klimaatpatronen.
Om het stadsklimaat juist in kaart te brengen, moet de wisselwerking tussen stedelijk ontwerp, menselijke activiteiten en het lokale klimaat in wiskundige vergelijkingen gegoten worden en vervolgens uitgerekend worden. Modellen die deze effecten mee in rekening brengen kunnen een beter beeld geven van het weer in een stad. Dit geeft betere informatie voor stadsplanning en beleidsbeslissingen, waarbij de nadruk wordt gelegd op de behoefte aan groene ruimten, reflecterende materialen en aangepaste architectuur om de stijgende temperaturen in stedelijke gebieden tegen te gaan.
AI voor het stedelijk klimaat
AI opent de deur naar geavanceerde stadsklimaatberekeningen. Door historische klimaatdata en stedelijke informatie te gebruiken, kunnen AI-modellen gedetailleerdere voorspellingen maken. Zo kunnen ze bijvoorbeeld het temperatuureffect simuleren van meer bomen in de stad, of gebouwen met reflecterende oppervlakken. Deze inzichten kunnen bijdragen aan duurzame stadsplanning en strategieën voor temperatuurregulatie.
Ons onderzoek
De onderzoekers van ETRO (Electronica en Informatica) - VUB (Vrije Universiteit Brussel) werken aan een AI-aangedreven stadsklimaatmodel. Ze werken hiervoor samen met het KMI en UGent, en maken gebruik van zogenaamde crowsourced temperatuurmetingen. AI modellen worden getraind met deze metingen, en bieden zo een innovatieve manier om het stadsklimaat beter te berekenen.
Door gegevens te verzamelen van verschillende bronnen verspreid over de stad, zoals sensoren in smartphones, weerstations in achtertuinen en andere middelen ingezet door burgers, verkrijgen we een relatief hoge-resolutie netwerk van metingen. In de context van dit project hebben we de data van het VLINDER netwerk gebruikt, zijnde een netwerk van kwaliteitsvolle stations geplaatst in landelijke, stedelijke en een paar andere speciale locaties. Deze stations zijn hier specifiek geplaatst om het effect van de lokale omgeving op het lokale klimaat te bestuderen.
Op deze dataset werd een AI getraind die als input lagere resolutie weersvoorspellingen en de lokale bodembedekking had en hiermee de nodige correcties berekend om de lokale (stedelijke) temperatuur te verkrijgen. Op deze manier kan de combinatie van AI en citizen science (burgerwetenschap) bijdragen aan nauwkeurigere en relevantere stedelijke weersvoorspellingen. Een voorbeeld hiervan zie je hieronder, waar het AI model gebruikt werd om het stedelijk hitte-eiland effect te berekenen voor een zomernacht tijdens een hittegolf. Dit AI-model op basis van het VLINDER netwerk wordt vandaag ook gebruikt als stadsklimaatmodel voor deze workshop.
Meer leren? Ontdek de Master in Applied Computer Science aan de VUB