Data-assimilatie: hoe modellen en metingen samen de werkelijkheid reconstrueren
Stel je voor dat je een legpuzzel van duizend stukjes probeert te maken, maar je hebt maar honderd losse stukjes in handen en geen doos met een voorbeeldfoto. Wel heb je een ervaren puzzelaar naast je die, op basis van duizenden eerder gelegde puzzels, kan inschatten hoe het geheel er ongeveer uit moet zien. Data-assimilatie is de wiskundige techniek die deze twee bronnen — de losse, onvolledige puzzelstukjes (metingen) en de ervaren inschatting (een computermodel) — combineert tot één zo goed mogelijke, complete puzzel.
In de praktijk gaat het meestal om de atmosfeer, de oceaan of het klimaatsysteem. Weerstations, satellieten, weerballonnen en schepen leveren miljoenen metingen per dag, maar die zijn onvolledig: boven de oceanen en de polen is er veel minder informatie dan boven Europa. Een weermodel heeft echter op elk punt van de aardbol een compleet startbeeld nodig om een voorspelling te kunnen maken. Data-assimilatie vult dat gat op door de losse metingen wiskundig te versmelten met de voorspelling van het model van een paar uur eerder, gewogen naar hoe betrouwbaar elke bron is.
Wat is het precies?
Het proces begint met een achtergrondschatting: een korte voorspelling, bijvoorbeeld zes uur vooruit, van het model op basis van de vorige ronde. Dit is nog geen definitief beeld, maar een goed startpunt: een volledige, consistente driedimensionale beschrijving van bijvoorbeeld temperatuur, luchtdruk en windsnelheid, overal ter wereld.
Vervolgens komen de echte metingen binnen: satellietwaarnemingen, radiosondes aan weerballonnen, metingen van vliegtuigen, boeien en weerstations. Deze zijn zelden direct vergelijkbaar met wat het model uitrekent — een satelliet meet bijvoorbeeld stralingsintensiteit, geen temperatuur rechtstreeks. Daarom wordt met een zogeheten observatie-operator eerst berekend wat het model zou meten als de waarneming klopte, zodat model en meting vergelijkbaar worden.
Daarna volgt de kern van data-assimilatie: een statistische weging. Metingen en modelvoorspelling krijgen elk een gewicht op basis van hun geschatte onzekerheid. Een zeer nauwkeurige satellietmeting telt zwaarder mee dan een model dat op die plek historisch vaak misgokt, en omgekeerd. Het resultaat heet de analyse: de best mogelijke schatting van de actuele toestand, die als nieuw startpunt dient voor de volgende modelrun. Dit hele proces herhaalt zich continu, meestal elke zes tot twaalf uur, in een doorlopende cyclus.
Er bestaan verschillende wiskundige technieken om deze weging uit te voeren. 3D-Var kijkt naar één moment in de tijd. 4D-Var, ontwikkeld en operationeel ingevoerd bij het Europese weercentrum ECMWF in de tweede helft van de jaren negentig, neemt ook de verandering over een tijdsvenster van enkele uren mee, waardoor het model zelf helpt bepalen hoe een correctie zich door de tijd heen zou moeten ontwikkelen. Een derde familie, de Ensemble Kalman Filter (gebaseerd op het werk van wiskundige Rudolf Kálmán uit de jaren zestig), draait tientallen tot honderden licht verschillende modelversies tegelijk om de onzekerheid dynamisch te schatten in plaats van vooraf vast te leggen. Veel centra gebruiken tegenwoordig hybride methoden die het beste van beide combineren.
Wat wil men ermee bereiken?
Het belangrijkste doel is simpel maar cruciaal: een voorspelling is nooit beter dan het startpunt waarmee ze begint. De atmosfeer is een chaotisch systeem — kleine fouten in de begintoestand groeien snel uit tot grote afwijkingen in de voorspelling, een effect dat bekendstaat als het vlindereffect. Betere data-assimilatie levert dus een preciezer startpunt en daarmee een betrouwbaardere voorspelling, met name voor de cruciale eerste dagen.
Daarnaast wordt dezelfde techniek gebruikt om het verleden opnieuw te reconstrueren. Door jarenlang alle beschikbare historische metingen te combineren met één vaste, moderne modelversie ontstaat een reanalyse: een consistente, uniforme klimaatgeschiedenis die veel completer is dan de losse metingen ooit waren. Dat is onmisbaar voor klimaatonderzoek, omdat metingen door de decennia heen sterk zijn veranderd in aantal, type en kwaliteit.
Verder ondersteunt data-assimilatie praktische beslissingen: luchtvaartplanning, waterbeheer, energievoorspelling voor wind- en zonne-energie, landbouwadvies en vroegtijdige waarschuwing bij stormen en overstromingen. De techniek is inmiddels ook overgenomen buiten de meteorologie, bijvoorbeeld in de hydrologie voor rivierafvoervoorspellingen en in gewasmodellen voor de landbouw.
Voorbeelden uit de praktijk
Het Europees Centrum voor Middellangetermijn Weersvoorspellingen (ECMWF) in Reading draait sinds 1997 een operationeel 4D-Var-systeem binnen zijn Integrated Forecasting System, en verwerkt dagelijks tientallen miljoenen waarnemingen tot een nieuwe analyse van de wereldwijde atmosfeer.
De reanalyse ERA5, gepubliceerd door ECMWF en de Copernicus Climate Change Service tussen ongeveer 2017 en 2020, biedt een uur-voor-uur reconstructie van het wereldwijde klimaat vanaf 1940 tot nu en wordt wereldwijd gebruikt door klimaatonderzoekers.
Het Nederlandse KNMI gebruikt het regionale model HARMONIE-AROME, dat radar-, satelliet- en weerstationdata over Nederland en omstreken assimileert om zeer lokale kortetermijnvoorspellingen te maken, bijvoorbeeld voor waarschuwingen bij onweer of gladheid.
Mercator Ocean International in Frankrijk beheert sinds 2015 de Copernicus Marine Service, die met oceaan-data-assimilatie stromingen, zeespiegel, temperatuur en zee-ijs in kaart brengt ten behoeve van scheepvaart, visserij en klimaatmonitoring.
NASA's Global Modeling and Assimilation Office produceerde de reanalyse MERRA-2, die naast weerpatronen ook aerosolen en luchtsamenstelling reconstrueert en veel wordt gebruikt in luchtkwaliteitsonderzoek.
Hoe ver is de techniek?
Data-assimilatie voor weer en klimaat is een volwassen vakgebied met een ontwikkeling van meer dan zeventig jaar, van eenvoudige handmatige analyses in de jaren vijftig, via 3D-Var in de jaren negentig, naar de huidige hybride ensemble-variationele systemen. De rekenkracht die ervoor nodig is, is enorm: operationele centra draaien de assimilatiecyclus op supercomputers en verwerken elke paar uur miljoenen metingen, met uitgebreide kwaliteitscontrole om foutieve of onbetrouwbare data eruit te filteren.
De belangrijkste huidige uitdagingen zitten in het correct modelleren van fouten die niet netjes volgens een klokvormige verdeling verlopen — zoals bij wolken en neerslag —, het beter koppelen van atmosfeer-, oceaan- en landoppervlaktegegevens, en de hoge rekenkosten die de bereikbare resolutie beperken.
Een nieuwe ontwikkeling is de opkomst van op kunstmatige intelligentie gebaseerde weermodellen, zoals GraphCast van Google DeepMind en Pangu-Weather van Huawei, die in 2023 veel aandacht kregen omdat ze vergelijkbare nauwkeurigheid haalden als traditionele modellen, maar duizenden keren sneller. Belangrijk om te beseffen: deze AI-modellen zijn getraind op jarenlange reanalysedata zoals ERA5 en hebben nog altijd een klassieke data-assimilatie nodig om hun eigen startpunt te bepalen. Onderzoekers, ook bij ECMWF zelf, verkennen inmiddels of AI ook delen van het assimilatieproces kan overnemen, maar dat werk bevindt zich nog in een onderzoeksfase en heeft de operationele systemen nog niet vervangen.
Wie werken eraan?
Toonaangevend is ECMWF, een intergouvernementele organisatie waar ook Nederland lid van is. Nationale weerdiensten zoals het Nederlandse KNMI, het Britse Met Office, Météo-France, de Duitse DWD en de Amerikaanse NOAA/NCEP ontwikkelen en gebruiken eigen assimilatiesystemen, vaak in onderlinge samenwerking. Voor oceanen speelt Mercator Ocean International een centrale rol binnen het Europese Copernicus-programma, en in de Verenigde Staten doet NASA GMAO vergelijkbaar werk voor de atmosfeer als geheel systeem.
Universiteiten zoals de University of Reading (met een gespecialiseerd data-assimilatiecentrum), Delft en Wageningen dragen bij aan de wiskundige onderbouwing en aan toepassingen in hydrologie en landbouw. De Wereld Meteorologische Organisatie (WMO), een VN-orgaan, coördineert de wereldwijde uitwisseling van waarnemingsdata die alle bovengenoemde systemen nodig hebben. Tot slot mengen technologiebedrijven als Google DeepMind, Huawei en Nvidia zich steeds nadrukkelijker in het veld met AI-modellen die op assimilatiedata zijn getraind.