Wanneer je naar buiten gaat, vraag je je misschien af of je een paraplu mee moet nemen. Voordat je dat doet, check je meestal de weersverwachting. Maar wat als die voorspelling niet klopt? Dat kan namelijk gebeuren als de methoden om die voorspellingen te valideren niet goed functioneren. Onderzoekers van het Massachusetts Institute of Technology (MIT) hebben een nieuwe aanpak ontwikkeld om de nauwkeurigheid van dergelijke voorspellingen te verbeteren.
Wat is het probleem?
Bij ruimtelijke voorspellingsproblemen, zoals weersvoorspellingen of luchtverontreinigingsschattingen, willen wetenschappers de waarde van een variabele in een onbekende locatie voorspellen op basis van bekende waarden van andere locaties. Vaak gebruiken ze de traditionele validatiemethoden om de betrouwbaarheid van hun voorspellingen te waarborgen. Helaas blijkt dat deze methoden vaak falen in situaties waarin de voorspellingsdata afhankelijk zijn van hun locatie.
In hun studie constateerden de MIT-onderzoekers dat twee veelgebruikte klassieke validatiemethoden zelfs substantieel verkeerde resultaten konden opleveren. Het gebruik van deze methoden kan leiden tot een vals gevoel van zekerheid over hoe nauwkeurig een voorspelling is. Dit probleem heeft invloed op een breed scala aan wetenschappelijke disciplines, waaronder meteorologie en ecologie.
Introductie van een nieuwe methode
De onderzoekers hebben een evaluatietechniek ontwikkeld die speciaal is ontworpen voor ruimtelijke voorspellingen. Deze techniek neemt de afhankelijkheid tussen data-punten in overweging. In traditionele validatiemethoden wordt aangenomen dat de data onafhankelijk zijn, wat niet het geval is als de data ruimtelijk gerelateerd zijn, zoals bij luchtkwaliteitsmetingen.
Waarom is dit belangrijk?
Door de aannames van traditionele methoden te herzien, zijn de onderzoekers in staat geweest een nieuwe evaluatiemethode te ontwikkelen die rekening houdt met de natuurlijke variatie in data tussen nabijgelegen locaties. Dit kan vooral nuttig zijn bij het voorspellen van dingen zoals de luchtkwaliteit in een stedelijke omgeving versus een landelijke omgeving.
Experimenten en resultaten
De onderzoekers hebben hun nieuwe validatietechniek getest met zowel echte als gesimuleerde data. Ze hebben deze toegepast op problemen zoals het voorspellen van de luchttemperatuur op verschillende locaties in de VS en het bepalen van de windsnelheid op luchthavens. Het bleek dat hun nieuwe methode veel nauwkeuriger was dan de traditionele technieken.
“We hoopten dat deze nieuwe aanpak zou leiden tot betrouwbaardere evaluaties bij het ontwikkelen van nieuwe voorspellingsmethoden,” heeft Tamara Broderick, een van de onderzoekers van MIT, gezegd.
Toepassingen voor de toekomst
De nieuwe validatiemethode stelt wetenschappers in staat om hun voorspellingsmodellen effectiever te beoordelen. Dit kan leiden tot verbeteringen in verschillende velden, zoals:
- Klimatologie: Het nauwkeuriger voorspellen van zeewatertemperaturen.
- Volksgezondheid: Het schatten van de effecten van luchtverontreiniging op ziektes.
- Epidemiologie: Het beter inschatten van de verspreiding van ziekten.
Een uitgebreide evaluatie
De onderzoekers hebben hun methoden uitgebreid geëvalueerd door verschillende soorten data te analyseren, inclusief gesimuleerde en echte datasets. Ze waren in staat om met aantrekkelijke resultaten te komen die een significante verbetering in nauwkeurigheid tonen in vergelijking met traditionele methoden.
Belang van de onderzoekslabels
Het onderzoek, dat ook is gefinancierd door de National Science Foundation en het Office of Naval Research, benadrukt het belang van goed onderbouwde voorspellingsmodellen in de wetenschap. Het bevorderingen van wetenschappelijke innovatie door middel van nieuwe technieken zal cruciaal zijn voor toekomstige onderzoeksinspanningen.
Conclusie
Deze nieuwe evaluatietechniek biedt wetenschappers de mogelijkheid om hun voorspellingsmethoden veel betrouwbaarder te validateren, wat op zijn beurt kan leiden tot betere besluiten in verschillende sectoren, van milieu tot gezondheid. Door naar de onderliggende gegevens en hun ruimtelijke relaties te kijken, kunnen we nauwkeurigere voorspellingen doen – een ontwikkeling die voor veel mensen een verschil kan maken.
