Vil hjelpe meteorologar med maskinlæring
Tidleg om morgonen den 26. desember 1999 vart folket i Frankrike overraska av to dødelege stormar. Kvifor oppdaga ikkje meteorologane dei enorme orkanane i tide?
Hovedinnhold
Natacha Galmiche var berre fire år gammal då to orkanar ramma landet hennar. Ho hugsar ikkje sjølve hendinga, men ho hugsar etterverknadene.
«I fleire år etterpå, når vi var på bilturar, såg eg store område med der alle trea hadde falt i bakken.»
Ho jobbar no med ein doktorgrad i informatikk, men er framleis interessert i korleis naturen fungerer.
"Eg har alltid vore spesielt glad i anvendt matematikk og sånt, men det virka som alle som dreiv med det hadde lyst å få jobb innan finans, noko eg ikkje var interessert i."
Som ein del av mastergraden sin reiste ho til Bergen to gongar for å ha praksis på Nansen-senteret, i håp om å gjere noko med fokus på miljøet.
"Vi studerte plankton i havet og brukte dataa til å analysere havet si omfattande helse. Det var svært spennande. Eg fekk bruke informatikken til å jobbe med noko eg brydde meg om. Då følte eg meg sikker på at eg hadde valt rett fagfelt."
Data i skyene
Natacha dro ikkje til tilbake til Nansen-senteret, men ho kom til Bergen. Her jobbar ho med doktorgraden sin på tvers av Institutt for informatikk og Geofysisk institutt ved UiB.
For å forstå kva Natacha jobbar med, treng du fyrst ei grunnleggjande forståing av korleis vêrmeldingar blir laga...
Data om vêret blir konstant samla inn frå vêrstasjonar, satellittar og til og med vêrballongar. Desse dataa blir brukt til å lage 50 simuleringar som viser korleis vêret kan bli. Desse utfalla blir kombinert for å lage vêrmeldinga som blir sendt til offentlegheita.
Om alle dataa var hundre prosent perfekte, ville du – i teorien – berre trenge éin simulering.
"Atmosfæren er både stabil og kaotisk", forklarar Natacha.
"Om du slepp ein ball på toppen av eit fjell, kan han rulle ned på eine sida eller den andre, og ende opp på heilt forskjellige stader."
Med andre ord; ein liten endring i dataa man startar med kan føre til eit heilt anna resultat.
"Ein sky som kjem mot Bergen frå kysten kan enten ende opp med å treffe fjella og gi regn i byen, eller heile skya kan blåse forbi og gi oss ein vakker skyfri dag."
Så kvifor tok meteorologane feil i 1999?
Når du lagar ei vêrmelding, er det umogleg å sjå mogelege utfall for kvar einaste spesifikke stad. I staden må meteorologane i stor grad basere seg på gjennomsnitt.
I 1999, 42 timar før syklonen Martin traff Frankrike, var dette prognosen dei hadde for atmosfærisk trykk:
Forenkla kart som viser forventa atmosfærisk trykk over Frankrike.
Det såg ut som det skulle blåse litt i nord, men det var ingen grunn til bekymring. Men dette var berre gjennomsnittet.
Når ein ser på alle dei 50 modellane for mogleg vêr, kan ein sjå at ballen fort kunne rulle ned på den andre sida av fjellet:
Karta viser dei 50 potensielle værkarta 42 timar før stormen.
Så kvifor ser ikkje meteorologane på alle dei mogelege utfalla?
"Det handlar om tid. Du kan sjå på ein spesifikk stad og studere mogelege utfall i kommande periode. Men om du lagar ei vêrmelding for eit heilt land, har du ikkje tid til å gjere det sånn."
Natacha jobbar med å lage maskinlæringsmodellar som kan oppdage sånne skumle avvik, såkalla "klynger", slik at vêrmelderane kan bli åtvara om dei. Ho må også få dei til å stole på resultata.
"Meteorologi har eksistert i tusenvis av år og er svært grundig forska på og forstått. Maskinlæringsmodellen må vere interaktiv, slik at meteorologane kan justere han basert på intuisjon og erfaring", forklarar Natacha.
"Dette er også viktig for å sjå korleis modellen tolkar data – slik at meteorologane veit at han ikkje berre finner på ting."
Dette er teknologi som truleg vil bli viktigare i framtida, ettersom ekstremvêr blir meir vanleg og vanskelegare å spå.
Vêrmeldingar er baserte på historiske data om klimaet, men sidan klimaet er i endring, blir vêret meir kaotisk og vanskelegare å føreseie.
"Eg håpar dette kan vere eit verktøy for å oppdage eksepsjonelle variasjonar i vêrmeldingane. Den endelege avgjerda om ekstremvêrvarslingar vil alltid bli tatt av ein meteorolog, men eg håpar maskinlæringsmodellen min kan vere til hjelp når jobben deira blir vanskelegare."