DeepMind's AI voorspelt orkanen eerder en preciezer dan bestaande modellen

In oktober 2025 hing er onzekerheid over een stormsysteem boven de Caribische Zee. Zou het verzwakken en Haïti raken, of juist aanwakkeren richting Jamaica? Het AI-weersvoorspellingsmodel WeatherNext van Google DeepMind en Google Research koos voor het tweede scenario. Vijf dagen voor de storm aan land kwam, voorspelde het met 80 procent zekerheid dat Jamaica getroffen zou worden door een Categorie 5-orkaan. Die voorspelling kwam uit: orkaan Melissa richtte enorme schade aan door overstromingen en aardverschuivingen. Dankzij de vroege waarschuwing konden hulpdiensten zich beter voorbereiden.

Een dag eerder weten wat je te wachten staat

Onderzoekers publiceerden donderdag in het wetenschappelijke tijdschrift Nature dat WeatherNext orkanen met ongekende nauwkeurigheid kan voorspellen. Gemiddeld geeft het model een dag meer voorsprong dan bestaande numerieke weersvoorspelling: een voorspelling drie dagen van tevoren is even betrouwbaar als wat oudere modellen pas twee dagen van tevoren konden zeggen. Die extra tijd is volgens Mike Brennan, directeur van het Amerikaanse National Hurricane Center, cruciaal. Evacuaties organiseren, noodhulp klaarzetten en materieel verplaatsen kost tijd, en een verkeerde inschatting kan grote gevolgen hebben. Melissa was de eerste keer dat het Hurricane Center al bij Categorie 1 kon voorspellen dat een storm zou uitgroeien tot Categorie 5.

Weinig data over extreme stormen

Machine learning heeft normaal veel trainingsdata nodig, maar extreme orkanen zijn juist zeldzaam. Onderzoeker Ferran Alet van Google DeepMind zegt dat het team het model daarom trainde op zowel algemene weerdata als de beperkte hoeveelheid beschikbare orkaandata. Een orkaan voorspellen is extra lastig omdat de baan van een storm afhangt van wereldwijde patronen zoals koufronten en windstromen, terwijl de kracht van een storm juist bepaald wordt door lokale omstandigheden in lucht en oceaan. Eerdere AI-modellen waren aardig in het voorspellen van de baan, maar faalden vaak bij het inschatten van de intensiteit, aldus Kate Musgrave van het Cooperative Institute for Research in the Atmosphere, mede-auteur van het onderzoek.

Opvallend is dat WeatherNext relatief grove, laagresolutie data gebruikt, terwijl traditionele modellen juist zeer gedetailleerde gegevens nodig hebben om de intensiteit van een storm te voorspellen. Onderzoekers begrijpen zelf nog niet precies hoe het model tot zulke accurate voorspellingen komt. Het gedraagt zich in dat opzicht als een soort zwarte doos, maar dat gedrag geeft natuurkundigen wel een signaal dat er in die grovere data blijkbaar meer informatie zit dan gedacht.

Duizend scenario's per storm

WeatherNext berekent niet één voorspelling, maar genereert duizenden mogelijke verlopen van een storm tegelijk, vorig jaar nog vijftig per storm, inmiddels duizend. Deze aanpak, vergelijkbaar met een chaostheorie-benadering waarbij kleine afwijkingen tot grote verschillen kunnen leiden, helpt om onverwachte wendingen in kaart te brengen. Brennan benadrukt dat het model een waardevol extra hulpmiddel is, maar geen vervanging voor menselijke experts die de voorspelling moeten vertalen naar concrete gevolgen voor bewoners. Google DeepMind maakt de WeatherNext-modellen inmiddels open source, zodat andere onderzoekers ermee kunnen werken en verder onderzoek kunnen doen naar hoe orkanen precies ontstaan en aanwakkeren.