AI-model DeepMind voorspelde orkaan Melissa dagen van tevoren

In oktober 2025 vormde zich een storm boven de Caraïbische Zee. Weermodellen waren het oneens over de te verwachten route: zou de storm zwak blijven en Haïti raken, of juist aanzwellen tot een monsterstorm richting Jamaica? Het AI-model WeatherNext van Google DeepMind en Google Research koos voor het tweede scenario. Vijf dagen voor landing voorspelde het met 80 procent zekerheid dat de storm Jamaica als categorie 5-orkaan zou treffen. Orkaan Melissa bleek inderdaad catastrofaal, met overstromingen en aardverschuivingen tot gevolg. Doordat het model op tijd alarm sloeg, konden hulpdiensten gemeenschappen in het traject eerder waarschuwen.

Onderzoekers beschrijven in een donderdag gepubliceerd artikel in Nature hoe WeatherNext cyclonen voorspelt met een nauwkeurigheid die nog niet eerder is vertoond. Gemiddeld geeft het model voorspellers een dag extra voorsprong: een voorspelling drie dagen van tevoren is even betrouwbaar als wat oudere modellen twee dagen van tevoren konden. Op de grond maakt dat verschil vaak het verschil tussen leven en dood. Mike Brennan, directeur van het Amerikaanse National Hurricane Center, zegt dat zelfs een paar uur extra tijd al genoeg kan zijn om evacuaties te organiseren en hulpgoederen te verplaatsen. Normaal gesproken kost het volgens de onderzoekers tien jaar ontwikkelwerk om voorspellingen een dag te verbeteren.

Waarom orkanen zo lastig te voorspellen zijn

Extreme weersgebeurtenissen zijn notoir moeilijk voor kunstmatige intelligentie, omdat deep learning-systemen doorgaans veel trainingsdata nodig hebben, terwijl orkanen juist zeldzaam zijn. DeepMind loste dit op door het model niet alleen te trainen op cycloondata, maar op alle beschikbare weergegevens. Volgens onderzoeker Ferran Alet van Google DeepMind maakte die aanpak het model tegelijk goed in algemene weersvoorspelling én in het specifieke gedrag van orkanen.

Een orkaan voorspellen vereist twee heel verschillende soorten informatie, legt Kate Musgrave van het Cooperative Institute for Research in the Atmosphere uit. Het traject van een storm hangt af van wereldwijde patronen, zoals koufronten en overheersende windrichtingen. De intensiteit van een storm — hoe hard hij precies wordt — hangt juist af van kleinschalige, lokale omstandigheden in atmosfeer en oceaan. Eerdere AI-modellen waren al redelijk goed in het voorspellen van het traject, maar faalden vaak bij het inschatten van de intensiteit. Dat is een cruciaal verschil: een storm kan in korte tijd omslaan van een relatief onschuldige depressie naar een levensgevaarlijke orkaan. Bij Melissa lukte het het Amerikaanse orkanencentrum voor het eerst om al bij categorie 1 een uiteindelijke categorie 5 te voorspellen.

Een raadsel, zelfs voor de makers

Opvallend genoeg snappen de onderzoekers zelf niet volledig waarom het model zo goed presteert. WeatherNext werkt met relatief grofmazige atmosferische data, terwijl traditionele modellen juist fijnmazige gegevens nodig hebben om intensiteit te voorspellen. Toen DeepMind dit deelde met de wetenschappelijke gemeenschap, reageerden vakgenoten verrast: blijkbaar zit er in die grovere data meer bruikbare informatie verstopt dan gedacht. Alet noemt het model daarom "een zwarte doos", maar wel een die aangeeft dat er iets gebeurt in de atmosfeer dat nog niet volledig wordt begrepen.

Het model genereert bovendien geen enkele voorspelling, maar duizend mogelijke scenario's per storm — vorig jaar waren dat er nog vijftig. Zo brengt het de kans op een plotselinge koerswijziging, het zogeheten vlindereffect, beter in beeld. Brennan benadrukt dat het model een waardevol hulpmiddel is, maar geen vervanging voor menselijke experts, die de technische voorspelling moeten vertalen naar concrete gevaren voor mensen. DeepMind maakt de WeatherNext-modellen inmiddels open source, zodat andere onderzoekers ermee kunnen werken en mogelijk nieuwe inzichten opdoen over hoe cyclonen precies ontstaan en aanzwellen.