Onderzoeksproject P4S/251/BEHRA (Onderzoeksactie P4S)
Kunstmatige intelligentie (AI) zorgt voor een snelle transformatie van de weersvoorspelling. Sinds 2022 zijn verschillende modellen voor weersvoorspelling op basis van machine learning (MLWP) ontwikkeld die voor een reeks klassieke meteorologische variabelen beter presteren dan traditionele numerieke weersvoorspellingsmodellen (NWP). Deze modellen worden doorgaans getraind met reanalysegegevens, die worden geproduceerd door waarnemingen te combineren met NWP-modellen via data-assimilatie.
De meeste mondiale MLWP-modellen steunen sterk op de ERA5-reanalyse van het European Centre for Medium-Range Weather Forecasts (ECMWF). ERA5 heeft een horizontale resolutie van ongeveer 30 km. Hoewel deze resolutie volstaat om grootschalige weerskenmerken te beschrijven, is ze te grof om kleinschalige en potentieel impactvolle weersverschijnselen zoals extreme neerslag voldoende weer te geven. Het modelleren van diepe convectie werkt best bij ruimtelijke resoluties van ongeveer 1 km of fijner. Hoge resolutie-reanalysegegevens zijn daarom essentieel om MLWP op het vlak van de voorspelling van impactvol weer te laten concurreren met NWP.
Het Koninklijk Meteorologisch Instituut van België (KMI) ontwikkelt eigen MLWP-capaciteit op basis van reanalysegegevens geproduceerd door internationale partners. In dit project zullen we deze datasets aanvullen door Belgische waarnemingen te assimileren die momenteel ontbreken in de relevante internationale reanalyses. Het project zal een convectie-toelatend reanalysesysteem ontwikkelen op basis van een Rapid Update Cycle (RUC)-configuratie die momenteel operationeel is bij het KMI en draait op de high-performance computing-infrastructuur van het ECMWF. Het systeem omvat data-assimilatie aan het aardoppervlak en een drie-dimensionele variationale data-assimilatiemethode (3D-Var). Het huidige 3D-Var-systeem assimileert GNSS-, Mode-S-, AMDAR- en radiosondewaarnemingen (TEMP). Voor de reanalyse zullen ook radarwaarnemingen aan het assimilatiesysteem worden toegevoegd.
Rekening houdend met de beschikbare rekenmiddelen zal de reanalyse focussen op een recente periode en vervolgens geleidelijk verder worden uitgebreid naar het verleden. Het hoofddoel is een reanalyse met een resolutie van 1 km te produceren voor een periode van vijf jaar. Afhankelijk van de beschikbare rekenmiddelen kan daarna een langere periode worden verwerkt. Daarnaast zal de optimale configuratie van het reanalysesysteem worden onderzocht. Dit kan impact hebben op bijvoorbeeld de parametrisatie voor windparken, om rekening te houden met de toenemende invloed van offshore- en onshorewindparken op het lokale en mesoschaalweer, in het bijzonder boven de Noordzee.
De bekomen hoge resolutie-reanalyse zal een waardevolle dataset opleveren voor de verdere ontwikkeling van MLWP bij het KMI. In het bijzonder kan de dataset worden gebruikt om een hoge resolutieversie van AIFS te trainen, het MLWP-model dat momenteel door het ECMWF en zijn partners wordt ontwikkeld.De training van het AI-model zelf is geen onderdeel van dit project. De focus ligt specifiek op de ontwikkeling en productie van de hoge resolutie-reanalysegegevens. De geproduceerde datasets zullen ook beschikbaar worden gesteld voor verdere nationale en internationale onderzoeksprojecten.
