De milieukosten beoordelen van multi-schaal recurrente neurale netwerken voor duurzaam nucasten van extreme neerslag

Waarom snellere, groenere regenvoorspellingen ertoe doen

Nu steden wereldwijd vaker te maken krijgen met plotselinge stortbuien en overstromingen, vooral in gebieden met beperkte middelen, kunnen enkele extra minuten waarschuwing levens redden. Maar de computers achter de modernste weersvoorspellingen verbruiken veel stroom, zijn duur en vaak onbereikbaar voor de regio’s die ze het hardst nodig hebben. Dit artikel stelt een eenvoudige maar urgente vraag: kunnen we kunstmatige-intelligentie-instrumenten ontwerpen die gevaarlijke neerslag voorspellen en tegelijk betaalbaar en milieubewust zijn?

Van supercomputers naar slimme patronen in radarbeelden

De huidige kortetermijnregenvoorspellingen, “nowcasts” genoemd, worden meestal geproduceerd door grote fysica-gebaseerde modellen die de atmosfeer gedetailleerd simuleren. Deze systemen werken goed in veel situaties, maar hebben moeite met zeer korte voorspellingstijden van één tot twee uur — precies wanneer mensen heldere aanwijzingen over een naderende wolkbreuk nodig hebben. Ze vergen ook enorme supercomputerbronnen. Nieuwe AI-modellen daarentegen leren direct van enorme verzamelingen weerradarbeelden en behandelen de ontwikkeling van stormen als frames in een video. Recurrente neurale netwerken, die zijn ontworpen om vast te leggen hoe patronen in de tijd veranderen, hebben al aangetoond dat ze traditionele modellen kunnen overtreffen voor kortetermijnneerslagvoorspelling.

De verborgen kosten van krachtige AI

Maar deze AI-systemen brengen een eigen probleem met zich mee: ze kunnen extreem groot zijn en veel geheugen, elektriciteit en gespecialiseerde grafische processors vereisen. Die kosten zijn meer dan alleen financieel. Het trainen en draaien van zulke modellen verbruikt energie die leidt tot CO2-uitstoot en indirect watergebruik bij energiecentrales. De regio’s die het zwaarst door extreme neerslag worden getroffen — zoals tropische steden in het mondiale Zuiden — kunnen zich deze hardware vaak het minst veroorloven, wat de bestaande kloof op het gebied van klimaat en technologie vergroot. De auteurs vonden, via een literatuuronderzoek, dat bijna niemand deze milieueffecten voor nowcasting van neerslag daadwerkelijk had gemeten, zelfs niet terwijl modellen groter en complexer werden.

Een slimmere manier om de lucht te lezen

De studie richt zich op een techniek die een multi-schaal recurrent neuraal netwerkframework wordt genoemd, of MS-RNN, die bestaande AI-modellen herschikt zodat ze radarbeelden tegelijk op meerdere resoluties verwerken. In plaats van elk detail in volledige grootte te behandelen, comprimeert en reconstrueert het netwerk de beelden herhaaldelijk, waardoor het brede stormstructuren en fijne kenmerken efficiënter kan vastleggen. De onderzoekers pasten drie populaire nowcasting-modellen aan met dit multi-schaalontwerp en testten ze op twee echte radargegevenssets: één uit de Italiaanse Alpen en een andere uit het zeer complexe terrein en stedelijke landschap van Rio de Janeiro, Brazilië. Ze volgden niet alleen de voorspellingsnauwkeurigheid, maar ook geheugengebruik, uitvoeringstijd, elektriciteitsverbruik, geschatte CO2-uitstoot en het bijbehorende watergebruik.

Wat de experimenten tonen over snelheid, nauwkeurigheid en voetafdruk

Op de Alpen-dataset verminderden de multi-schaalversies van de modellen hun resourcebehoefte drastisch. Het geheugenverbruik daalde ongeveer met de helft, de trainingstijd werd met ongeveer de helft of meer verkort en het elektriciteitsverbruik daalde met maximaal circa 70 procent. Dit vertaalde zich in vergelijkbare verminderingen van geschatte CO2-uitstoot en waterverbruik, met besparingen van meer dan 60 procent voor sommige modelvarianten. Tegelijk bleef de voorspellingskwaliteit gelijk of verbeterde zelfs licht volgens standaard foutmaten en een score die vastlegt hoe goed de modellen zware regen bereiken. In Rio de Janeiro, waar de weerspatronen en het terrein uitdagender zijn en de radarbeelden kleiner, waren de winstpunten bescheidener. De multi-schaalmodellen verbruikten nog steeds minder energie en stootten minder CO2 uit, maar hun voorspellingen waren iets minder nauwkeurig dan de oorspronkelijke versies — hoewel de verschillen klein genoeg waren dat de auteurs betogen dat de trade-off vaak de moeite waard is in omgevingen met beperkte middelen.

Beperkingen en volgende stappen voor extreme buien

Zelfs met deze verbeteringen hadden alle geteste modellen nog steeds moeite met de zeldzaamste, krachtigste neerslagpieken. Speciale foutscores die extra gewicht geven aan extreme gebeurtenissen toonden dat zware buien moeilijk betrouwbaar te voorspellen blijven, deels omdat ze ondervertegenwoordigd zijn in de trainingsdata. De auteurs wijzen op nieuwere benaderingen die AI combineren met fysische kennis over stormen of geavanceerde generatieve modellen gebruiken om radarbeelden te verscherpen, maar merken op dat deze methoden meestal nog veel zwaarder in rekenintensiteit zijn — en bijna nooit hun energie- of watergebruik rapporteren. De studie pleit daarom voor toekomstig werk dat modellen vanaf het begin met efficiëntie in gedachten ontwerpt en routinematig milieu-indicators naast nauwkeurigheidsresultaten publiceert.

Wat dit betekent voor mensen ter plaatse

Concreet laat het artikel zien dat het mogelijk is AI-instrumenten te bouwen die nuttige kortetermijnwaarschuwingen voor neerslag geven terwijl ze veel minder geheugen, stroom en water verbruiken dan veel huidige systemen. Voor steden zoals Rio de Janeiro, waar overstromingen en aardverschuivingen frequent voorkomen en budgetten krap zijn, zouden dergelijke “groene AI”-benaderingen kunnen helpen geavanceerde waarschuwingssystemen binnen bereik te brengen, in plaats van ze te reserveren voor goed gefinancierde weerdiensten. Het werk lost de uitdaging van het perfect voorspellen van de meest extreme stormen niet op, maar schetst een praktische weg naar voorspellingssystemen die zowel duurzamer als eerlijker zijn.

Bronvermelding: Brum, D., Teylo, L., Silva, F.P.d. et al. Assessing the environmental costs of multi-scale recurrent neural networks for sustainable extreme rainfall nowcasting. Sci Rep 16, 12846 (2026). https://doi.org/10.1038/s41598-026-43029-2

Trefwoorden: extreme neerslag, weerradar, deep learning, duurzame AI, nowcasting