Christian Versloot

Kunstmatige intelligentie (AI) wekt wereldwijd interesse en wordt steeds vaker gebruikt in de meteorologie. In de
afgelopen jaren is de schaalgrootte hiervan veranderd: van nichetoepassingen zijn we naar datagedreven weermodel-
len gegaan, die door middel van patroonherkenning de prestaties van traditionele numerieke weermodellen (NWP-mo-
dellen) proberen te benaderen en verbeteren. In dit artikel gaan we dieper op deze materie in. Doel is om de lezer mee
te nemen in AI en de… Show more

Kunstmatige intelligentie (AI) wekt wereldwijd interesse en wordt steeds vaker gebruikt in de meteorologie. In de
afgelopen jaren is de schaalgrootte hiervan veranderd: van nichetoepassingen zijn we naar datagedreven weermodel-
len gegaan, die door middel van patroonherkenning de prestaties van traditionele numerieke weermodellen (NWP-mo-
dellen) proberen te benaderen en verbeteren. In dit artikel gaan we dieper op deze materie in. Doel is om de lezer mee
te nemen in AI en de toepassing ervan binnen de meteorologie, op zowel kleinschalig als globaal niveau.
Allereerst worden de ontwikkelingen in perspectief geplaatst. Waar hebben we het eigenlijk over, als het gaat over
‘AI’, ‘machine learning’ of ‘deep learning’? En hoe werkt het eigenlijk, het trainen van zo’n model? Met die basis
kijken we vervolgens naar kleinschalige meteorologische toepassingen, zoals die voor het nowcasten van extreme
weersverschijnselen als onweer of het simuleren van parameterisaties in NWP-modellen.
Naast kleinschalige toepassingen is sinds een jaar of twee echter ook een geheel nieuwe ontwikkeling gaande: die
van MLWP, oftewel Machine Learning Weather Prediction, als tegenhanger van NWP. Globale AI-modellen, getraind
op analyses van de atmosfeer, lijken in sommige gevallen beter te presteren dan NWP-modellen, ondanks verschillen-
de beperkingen. Op basis van de eerste generatie MLWP-modellen, die in dit artikel de revue passeren, wordt nieuw
onderzoek verricht om deze te overbruggen. Een grote hoeveelheid investeringen, bijvoorbeeld van ECMWF – dat de
ontwikkelingen als mogelijke rivaal voor NWP ziet (ECMWF, 2023b) – draagt daar significant aan bij. Show less

Utility strikes have spawned companies specializing in providing a priori analyses of the underground. Geophysical techniques such as Ground Penetrating Radar (GPR) are harnessed for this purpose. However, analyzing GPR data is labour-intensive and repetitive. It may therefore be worthwhile to amplify this process by means of Machine Learning (ML). In this work, harnessing the ADR design science methodology, an Intelligence Amplification (IA) system is designed that uses ML for decision-making… Show more

Utility strikes have spawned companies specializing in providing a priori analyses of the underground. Geophysical techniques such as Ground Penetrating Radar (GPR) are harnessed for this purpose. However, analyzing GPR data is labour-intensive and repetitive. It may therefore be worthwhile to amplify this process by means of Machine Learning (ML). In this work, harnessing the ADR design science methodology, an Intelligence Amplification (IA) system is designed that uses ML for decision-making with respect to utility material type. It is driven by three novel classes of Convolutional Neural Networks (CNNs) trained for this purpose, which yield accuracies of 81.5% with outliers of 86%. The tool is grounded in the available literature on IA, ML and GPR and is embedded into a generic analysis process. Early validation activities confirm its business value. Show less