AI-weersvoorspellingsmodel: hoe kunstmatige intelligentie het weer leert voorspellen
Stel je een weerman voor die niet de natuurkunde van de atmosfeer doorrekent, maar in plaats daarvan tientallen jaren aan weerkaarten heeft bestudeerd en daardoor patronen herkent: "als de luchtdruk hier zo daalt en de wind daar zo draait, dan regent het morgen in Rotterdam." Dat is in essentie wat een AI-weersvoorspellingsmodel doet. In plaats van de klassieke aanpak, waarbij supercomputers de natuurkundige wetten van lucht, vocht en temperatuur doorrekenen, leert een AI-model uit enorme hoeveelheden historische weergegevens welke patronen tot welk weer leiden.
Het resultaat is verrassend: sommige van deze AI-modellen zijn inmiddels net zo nauwkeurig als de beste traditionele voorspellingssystemen, maar dan duizenden keren sneller en met veel minder rekenkracht. Waar een klassieke voorspelling op een supercomputer uren kost, kan een getraind AI-model een voorspelling voor de hele wereld in enkele seconden tot minuten produceren op een enkele computerchip. Dat maakt dit een van de meest besproken toepassingen van AI binnen de wetenschap.
Wat is het precies?
Traditionele weersvoorspelling werkt met zogeheten numerieke weermodellen (NWP, van Numerical Weather Prediction). Deze verdelen de atmosfeer in een driedimensionaal rooster van cellen en berekenen voor elke cel, elke paar minuten, hoe druk, temperatuur, wind en vocht veranderen volgens de wetten van de natuurkunde. Dat is extreem rekenintensief: de beste modellen draaien op de grootste supercomputers ter wereld.
Een AI-weersvoorspellingsmodel pakt het anders aan. Het is een neuraal netwerk (een wiskundig systeem geïnspireerd op hersencellen, opgebouwd uit lagen die patronen in data herkennen) dat getraind wordt op decennia aan historische weergegevens. Belangrijke bron hiervoor is ERA5, een dataset van het Europese weercentrum ECMWF die het wereldwijde weer sinds 1940 in fijne stappen heeft vastgelegd.
Tijdens de training krijgt het model steeds de weerstoestand van een bepaald moment te zien en leert het te voorspellen hoe die er zes of twaalf uur later uitziet. Door dit miljoenen keren te herhalen, leert het netwerk zelf de onderliggende relaties tussen luchtdruk, temperatuur, wind en neerslag, zonder dat iemand die natuurkundige vergelijkingen expliciet hoeft te programmeren. Eenmaal getraind, kan het model razendsnel een reeks van zulke stappen achter elkaar zetten om een voorspelling voor meerdere dagen te maken.
Veel van deze systemen gebruiken architecturen die ook bekend zijn van taalmodellen en beeldherkenning, zoals transformers (netwerken die goed zijn in het herkennen van relaties tussen verschillende delen van data) of graafneurale netwerken, die de aarde als een soort ruitvormig rooster van onderling verbonden punten behandelen.
Wat wil men ermee bereiken?
Het belangrijkste doel is snelheid en efficiëntie zonder aan nauwkeurigheid in te boeten. Klassieke voorspellingen vergen enorme, energie-intensieve supercomputers die alleen grote nationale weerdiensten kunnen betalen. Een getraind AI-model kan daarentegen op een gewone server of zelfs een laptop met een grafische kaart draaien, wat de kosten en het energieverbruik drastisch verlaagt.
Daarnaast hopen onderzoekers dat AI-modellen bepaalde soorten weer beter kunnen voorspellen dan klassieke modellen, met name extreme gebeurtenissen zoals orkanen, hittegolven en hevige regenval, doordat ze patronen herkennen die niet gemakkelijk in natuurkundige vergelijkingen te vatten zijn. Ook is er veel interesse in zogeheten ensemblevoorspellingen: in plaats van één voorspelling maak je er honderden met kleine variaties, om zo een beeld te krijgen van hoe zeker of onzeker een voorspelling is. Omdat AI-modellen zo snel zijn, wordt het ineens haalbaar om dit soort grote ensembles te draaien, iets wat met klassieke modellen enorm veel rekenkracht kost.
Tot slot speelt toegankelijkheid een rol: als voorspellingen goedkoper te maken zijn, kunnen ook kleinere landen, onderzoeksinstituten of bedrijven eigen, gespecialiseerde weersvoorspellingen ontwikkelen, bijvoorbeeld toegespitst op landbouw, scheepvaart of energieopwekking uit wind en zon.
Voorbeelden uit de praktijk
GraphCast (Google DeepMind, 2023) was een van de eerste AI-modellen die in gepubliceerd onderzoek liet zien dat het op veel metingen nauwkeuriger voorspelde dan het gerenommeerde HRES-model van ECMWF, en dat tien dagen vooruit in minder dan een minuut op een enkele computerchip.
Pangu-Weather (Huawei, 2023), ontwikkeld door het Chinese techbedrijf Huawei, gebruikte een 3D-transformerarchitectuur en werd gepubliceerd in het wetenschappelijke tijdschrift Nature. Het liet vergelijkbare snelheidswinsten zien en wordt gezien als een van de doorbraakstudies in dit veld.
FourCastNet (Nvidia, vanaf 2022) is een model van chipmaker Nvidia dat gebruikmaakt van zogeheten Fourier-neurale operatoren, een wiskundige techniek die goed is in het modelleren van golfachtige patronen zoals luchtstromingen.
Aurora (Microsoft, 2024) is een breder "foundation model" voor de atmosfeer, getraind op meer dan een miljoen uur aan weer- en klimaatgegevens, en gepresenteerd als een model dat behalve gewoon weer ook luchtvervuiling en oceaangolven kan voorspellen.
AIFS en GenCast (ECMWF en Google DeepMind, 2024-2025): het Europese weercentrum ECMWF heeft zijn eigen AI-systeem AIFS operationeel naast de klassieke modellen gebracht, en DeepMind publiceerde met GenCast een AI-ensemblemodel dat expliciet onzekerheid meeneemt en op meerdere metingen beter presteerde dan het beste operationele ensemble van ECMWF.
Hoe ver is de techniek?
De ontwikkeling gaat opvallend snel: tussen 2022 en 2025 zijn meerdere generaties modellen verschenen, elk met betere prestaties op standaardtests. Op veel metingen, zoals de nauwkeurigheid van de luchtdruk op zeeniveau enkele dagen vooruit, evenaren of overtreffen de beste AI-modellen inmiddels de traditionele modellen van toonaangevende weerdiensten.
Toch is de techniek niet zonder beperkingen. AI-modellen zijn getraind op historische data en kunnen moeite hebben met weertypen die zeldzaam zijn in die trainingsdata, zoals zeer extreme, ongekende gebeurhenissen. Er is ook discussie onder wetenschappers of AI-modellen fysisch consistente voorspellingen geven, dat wil zeggen: kloppen de voorspelde patronen met de onderliggende natuurkunde, of zien ze er soms alleen statistisch plausibel uit? Sommige studies wijzen op een neiging tot "vervaging" bij voorspellingen die verder in de tijd liggen, waarbij scherpe details geleidelijk verdwijnen.
Een ander punt is dat de meeste AI-modellen nog steeds afhankelijk zijn van traditionele metingen en satellietdata als invoer, en vaak ook van klassieke modellen om hun startpunt (de actuele toestand van de atmosfeer) te bepalen. AI vervangt dus vooralsnog niet het hele voorspellingssysteem, maar een specifiek, rekenintensief onderdeel ervan. Grote weerdiensten zoals ECMWF benadrukken dan ook dat AI- en traditionele modellen voorlopig naast elkaar blijven bestaan en elkaar aanvullen, in plaats van dat de een de ander vervangt.
Wie werken eraan?
Het veld wordt aangevoerd door een mix van techbedrijven en gevestigde meteorologische instituten. Google DeepMind (met GraphCast en GenCast) en Microsoft Research (met Aurora) zijn vanuit de techsector de meest zichtbare spelers, naast het Chinese Huawei, dat met Pangu-Weather een van de eerste grote doorbraken publiceerde. Ook Nvidia is actief, deels omdat het bedrijf de grafische chips levert waarop deze modellen worden getraind en gedraaid.
Aan de institutionele kant speelt het Europese ECMWF (European Centre for Medium-Range Weather Forecasts) een centrale rol: het levert niet alleen de ERA5-trainingsdata waarop vrijwel alle AI-modellen wereldwijd zijn getraind, maar ontwikkelt met AIFS ook een eigen operationeel AI-model. In de Verenigde Staten werkt de NOAA (National Oceanic and Atmospheric Administration) aan vergelijkbare initiatieven, en universiteiten wereldwijd, waaronder in Nederland het KNMI in samenwerking met academische partners, verkennen hoe AI-technieken in bestaande voorspellingsketens kunnen worden ingepast.