I løpet av 2017 har forskergruppen Erik Kolstad leder, jobbet med å utvikle en prototype for varslingssystemet, og like før jul laget de det første varselet:
– Varselet for januar, februar og mars tyder på at det blir nokså normale temperaturer og nedbørsforhold i Sør-Norge, sier Erik Kolstad, forsker ved Uni Research og Bjerknessenteret.
Et varsel som sier at været de kommende månedene vil være ganske som normalt, er kanskje ikke den største kioskvelteren. Men for ulike bransjer er muligheten for å tilpasse driften etter forventet vær viktig.
Ta for eksempel kraftselskapene. Hvor mye skal de tømme av magasinene? Bør man holde igjen eller sette i gang produksjonen? Kan man vite noe om været de kommende månedene, er slike avgjørelser lettere å ta. Både med tanke på vannressursene og med tanke på etterspørselen, hvor mye strøm vi forbrukere vil ha behov for.
Skreddersøm med kunstig intelligens
Sammen med prosjekts brukere fra næringslivet og offentlig sektor, vil forskerne trene opp datamaskiner til å lage skreddersydde varsler, altså sesongvarsler som er spesialiserte for hvilken informasjon brukeren i den andre enden har behov for. For vannkraft er det nyttig å vite hvor i fjellet det vil legge seg mye snø, mens for Kystvakten kan det være nyttig å vite hvor mye havis det blir i Barentshavet.
De senere årene har forskningen på sesongvarsler tatt flere steg framover. Men fremdeles er sesongvarslene nokså generelle. Det Kolstad og kollegaer nå vil gjøre, er å kombinere flere typer data og å trene datamaskiner til å gi spesialiserte varsler. Det kan være informasjon om vind for fornybar energiproduksjon, eller det kan være om temperaturen på kontinentet, som er viktig for etterspørselen av elektrisitet, for eksempel.
– Det er utrolig store mengder data som skal håndteres. Det er mer data enn noe menneske kan klare å håndtere, derfor vil vi trene opp maskinene til å lage best mulig varsel basert på hva som er viktig for hver enkelt bruker, forklarer Kolstad.
Fra et signal til en trend
Mens et enkelt varsel fra en værmodell er for usikkert til å ha noen særlig verdi utover ca. 5 dager frem i tid, vil derimot femti varsler til sammen kunne gi et bilde av en tendens. Det er Big Data, altså algoritmer som minner om de som brukes til å hente ut informasjon om forbruksvaner, sosiale medier, valg og trafikksituasjoner. En enkelt databit er verdiløs, men sammen med mange andre har de en helt annen verdi.
Selve maskineriet består blant annet i å kombinere mange ulike kjøringer av sesongvarslingsmodeller. Det betyr modelldata fra flere sentre rundt om i verden, sammen med varslingsmodellen NorCPM som er utviklet ved Bjerknessenteret. Sesongvarslingsmodellen er enkelt sagt en kombinasjon av en klimamodell og en værvarslingsmodell. I Seasonal Forecasting Engine vil forskerne i tillegg til å fore modellen med satellittdata og modelldata, også legge til observasjoner og erfaringer tilbake i tid. Et eksempel er havtemperaturen, om den er varmere eller kaldere enn normalt, og hvordan den erfaringsvis påvirker været.
– Utfordringen blir å finne ut hvor mye vi skal vektlegge dette opp mot andre faktorer, sier Kolstad.
Varslingseksport
Sesongvarsling er et hett forskningstema for tiden. Men å kombinere observasjoner og sammenhenger nevnt over, er det ikke så mange som jobber med. Dette er noe som skiller Seasonal Forecasting Engine fra andre sesongvarslingsprosjekter. Også den tette kontakten med brukerne av varslene er uvanlig.
I første omgang vil forskerne nå utvikle varslingssystemet til å gjelde for Norge. På sikt ønsker de å utvide systemet, både for de norske brukerne og som et system som kan eksporteres. For norske vannkraftprodusenter kan informasjon om kommende vær i Europa fortelle en del om mulig etterspørsel. Blir det kaldt og lite vind som gir lite vindenergi, kan etterspørselen etter norsk vannkraft øke. Da må også vannkraftprodusentene vite noe om hvor mye de kan ta ut av sine magasiner.
– Det er jo fint om vi kan bidra til å erstatte europeisk kullkraft med norsk vannkraft, sier Erik Kolstad.