Værmodellering handler ikke bare om å velge én metode. De ulike tilnærmingene har forskjellige styrker, og det mest interessante kan ligge i samspillet mellom dem.
01
Fysikkbasert
Kan simulere sjeldne hendelser ut fra atmosfærens fysiske lover, selv uten et tilsvarende historisk eksempel.
02
Datadrevet
Lærer komplekse mønstre effektivt, men trenger nok representative observasjoner i treningsdataene.
03
Kombinert
Kan forene fysiske rammer med mønstergjenkjenning og gi et mer robust utgangspunkt for ekstremvær.
Fysikkbaserte modeller
Fysikkbaserte værmodeller løser fysiske ligninger for atmosfæren og er derfor ikke direkte avhengige av å ha observert en bestemt ekstremhendelse tidligere. Dersom de atmosfæriske forholdene tilsier en svært sjelden hendelse, kan modellen i prinsippet simulere denne selv om tilsvarende forhold ikke finnes i historiske data.
Datadrevne modeller
Datadrevne modeller som GNN-er og Transformere lærer statistiske sammenhenger fra historiske værdata. Siden ekstreme hendelser forekommer svært sjelden, vil modellen få langt færre eksempler på disse under trening. Dette kan gjøre det vanskeligere å predikere situasjoner som ligger langt ute i distribusjonens ytterpunkter.
Tapsfunksjoner og ekstremverdier
Vanlige tapsfunksjoner vil i stor grad påvirkes av normalt vær, siden dette utgjør mesteparten av treningsdataene. En modell kan derfor oppnå svært gode resultater i gjennomsnitt, samtidig som den systematisk undervurderer ekstreme verdier. Det kan være interessant å undersøke tapsfunksjoner som legger større vekt på sjeldne hendelser.
Geografisk kontekst
En datadrevet modell kan likevel lære mønstre knyttet til ekstremvær fra lignende situasjoner andre steder. En Transformer med stor geografisk kontekst kan eksempelvis lære sammenhenger mellom forhold i Nord-Atlanteren og senere ekstremvær i Norge. Attention kan dermed være interessant for å undersøke hvilke geografiske områder og atmosfæriske forhold modellen bruker i prediksjonen.
Hale-bevisst trening
En mulig forskningsretning er å undersøke om datadrevne værmodeller kan trenes spesifikt for å bevare bedre ytelse i ytterkantene av værdistribusjonen. Dette kan eksempelvis gjøres ved å vekte ekstreme observasjoner sterkere eller benytte en tail-weighted variant av CRPS. Et sentralt spørsmål blir da om ekstremvær kan predikeres bedre uten at den generelle værvarslingen blir dårligere.