Ensemblevoorspelling: waarom meerdere voorspellingen beter zijn dan één
Stel je voor dat je morgen een belangrijke wandeltocht plant en aan tien verschillende weerkundigen vraagt of het gaat regenen. Zeven zeggen "droog", drie zeggen "buien". In plaats van te kiezen wie er "gelijk" heeft, geeft die verdeling je waardevolle informatie: het weer is onzeker, maar de kans op droog weer is het grootst. Dat is in essentie wat ensemblevoorspelling doet, alleen dan met rekenmodellen in plaats van mensen.
Bij een klassieke voorspelling draait een computer een model eenmaal door en komt er één uitkomst uit: "morgen 18 graden, licht bewolkt". Bij ensemblevoorspelling (het Franse woord "ensemble" betekent "geheel" of "groep") laat je hetzelfde model tientallen tot honderden keren draaien, telkens met piepkleine verschillen in de startgegevens of in de manier waarop het model natuurkundige processen benadert. Je krijgt dan geen enkele voorspelling maar een hele waaier van mogelijke toekomsten – en juist die spreiding vertelt je hoe zeker, of onzeker, de voorspelling eigenlijk is.
Wat is het precies?
De basis van ensemblevoorspelling ligt in de chaostheorie. Systemen zoals de atmosfeer zijn zogeheten chaotische systemen: piepkleine verschillen in de begintoestand kunnen na verloop van tijd tot compleet andere uitkomsten leiden. Dit staat ook wel bekend als het "vlindereffect", het idee dat de vleugelslag van een vlinder in Brazilië in theorie bijdraagt aan een tornado in Texas. In de praktijk kennen we de begintoestand van de atmosfeer nooit perfect: metingen van temperatuur, wind en luchtdruk zijn altijd een beetje onnauwkeurig of hebben gaten.
Ensemblevoorspelling pakt dit probleem aan door niet één, maar veel voorspellingen te maken. Onderzoekers nemen de best beschikbare schatting van de huidige toestand van bijvoorbeeld de atmosfeer, en maken daar vervolgens tientallen licht afwijkende versies van, elk binnen de foutmarge van de metingen. Elke versie, een "lid" van het ensemble genoemd, wordt apart door het rekenmodel gehaald. Soms wordt ook het model zelf een beetje gevarieerd, omdat modellen nooit alle natuurkundige processen perfect nabootsen.
Het resultaat is een verzameling voorspellingen die aanvankelijk dicht bij elkaar liggen, maar na verloop van tijd steeds verder uit elkaar kunnen lopen. Liggen alle ensembleleden dicht bij elkaar, dan is de voorspelling waarschijnlijk betrouwbaar. Lopen ze sterk uiteen, dan weet je dat de toekomst op dat moment moeilijk te voorspellen is, en dat is zelf ook nuttige informatie.
Hetzelfde principe wordt tegenwoordig ook toegepast in machine learning, los van weer en klimaat. Daar combineert men de uitkomsten van meerdere, verschillend getrainde modellen om tot een betrouwbaardere en robuustere voorspelling te komen. Bekende technieken hiervoor zijn bagging (meerdere modellen trainen op licht verschillende datasets) en boosting (modellen die elkaars fouten corrigeren). Het achterliggende idee is hetzelfde: één model kan er systematisch naast zitten, maar de gemiddelde uitkomst van veel uiteenlopende modellen is vaak stabieler.
Wat wil men ermee bereiken?
Het belangrijkste doel is niet alleen een betere voorspelling, maar vooral een eerlijke inschatting van onzekerheid. Een weerbericht dat alleen "20 graden" meldt, verbergt hoe zeker die schatting is. Een ensemble dat laat zien dat 90 procent van de leden tussen de 18 en 22 graden uitkomt, geeft veel completere informatie, zeker voor mensen die belangrijke beslissingen moeten nemen.
Dat is cruciaal bij extreem weer. Bij de aanpak van orkanen, overstromingen of hittegolven maakt het nogal wat uit of een gevaarlijke gebeurtenis met 5 procent of met 60 procent waarschijnlijkheid optreedt. Ensemblevoorspellingen maken het mogelijk om dergelijke kansen te berekenen, zodat autoriteiten tijdig kunnen waarschuwen of evacueren zonder bij elk klein risico in paniek te raken.
Op langere termijn, bijvoorbeeld bij klimaatprojecties voor de komende decennia, helpt de ensembleaanpak ook om structurele onzekerheden in kaart te brengen. Verschillende klimaatmodellen, gemaakt door verschillende instituten met net andere aannames, geven samen een realistischer beeld van de bandbreedte aan mogelijke toekomstige opwarming dan één enkel model ooit zou kunnen.
Bij machine learning-toepassingen buiten het weer gaat het vaak om nauwkeurigheid en stabiliteit: één model kan overfitten, dat wil zeggen te veel toegespitst raken op de trainingsdata en daardoor slecht presteren op nieuwe gevallen. Een ensemble van modellen middelt dergelijke individuele fouten uit.
Voorbeelden uit de praktijk
Het Europees Centrum voor Middellange Weersverwachtingen (ECMWF) in Reading, Engeland, draait sinds 1992 een operationeel ensemblesysteem, bekend als het Ensemble Prediction System (ENS). Dit systeem, met tegenwoordig 51 ensembleleden, geldt internationaal als een van de meest betrouwbare bronnen voor middellangetermijnvoorspellingen en wordt ook door het Nederlandse KNMI gebruikt.
In de Verenigde Staten beheert de National Oceanic and Atmospheric Administration (NOAA) het Global Ensemble Forecast System (GEFS), de Amerikaanse tegenhanger die eveneens tientallen parallelle modelruns combineert.
Voor klimaatonderzoek is het Coupled Model Intercomparison Project (CMIP) van belang, waarbij tientallen klimaatinstituten wereldwijd hun modeluitkomsten samenbrengen. De rapporten van het IPCC, het klimaatpanel van de Verenigde Naties, steunen zwaar op zulke multimodel-ensembles om bandbreedtes van toekomstige opwarming te presenteren in plaats van één enkel getal.
Een recentere ontwikkeling is de opkomst van AI-gedreven ensemblemodellen. Google DeepMind bracht in 2024 GenCast uit, een op machine learning gebaseerd model dat in enkele minuten een ensemble van vijftig weersvoorspellingen kan genereren, een taak waar traditionele fysische modellen uren supercomputertijd voor nodig hebben. Ook het Chinese techbedrijf Huawei ontwikkelde met Pangu-Weather een AI-model dat concurreert met klassieke ensemblesystemen op nauwkeurigheid, tegen een fractie van de rekenkosten.
Hoe ver is de techniek?
Traditionele, op fysica gebaseerde ensemblevoorspelling is een volwassen en operationeel bewezen technologie. Weerdiensten als ECMWF en NOAA draaien hun ensemblesystemen al meer dan dertig jaar dagelijks, en de nauwkeurigheid is in die periode gestaag verbeterd door betere satellietmetingen, krachtigere supercomputers en verfijndere modellen.
De grootste doorbraak van de afgelopen jaren is de combinatie met kunstmatige intelligentie. Modellen als GenCast en Pangu-Weather zijn getraind op decennia aan historische weerdata en kunnen daardoor razendsnel voorspellingen genereren die qua nauwkeurigheid vergelijkbaar zijn met, en op sommige metingen zelfs beter dan, de klassieke fysische modellen. Dit maakt het haalbaar om vaker en met grotere ensembles te rekenen, ook voor instanties met minder rekenkracht dan de grote weercentra.
Toch zijn er nog duidelijke beperkingen. AI-modellen zijn getraind op historische patronen en het is onzeker hoe goed ze presteren bij werkelijk ongekende extremen, situaties die niet goed in de trainingsdata voorkomen. Fysische modellen blijven daarom voorlopig een noodzakelijke referentie en vangnet. Ook blijft het kalibreren van de spreiding in een ensemble lastig: een ensemble dat structureel te weinig of te veel spreiding laat zien, geeft een vertekend beeld van de werkelijke onzekerheid. Bij klimaatmodellen blijft bovendien een fundamentele onzekerheid bestaan over hoe gevoelig het klimaatsysteem precies reageert op broeikasgassen, iets wat ensembles beter in kaart brengen maar niet volledig oplossen.
Wie werken eraan?
Op het gebied van operationele weersverwachting zijn de belangrijkste spelers de nationale en internationale weerdiensten: het ECMWF namens een groot deel van Europa, de Amerikaanse NOAA, het Duitse DWD, Météo-France, de Britse Met Office en in Nederland het KNMI, dat ensembledata van ECMWF gebruikt en verwerkt voor de Nederlandse voorspellingen. De Wereld Meteorologische Organisatie (WMO), een orgaan van de Verenigde Naties, coördineert internationale samenwerking en gegevensuitwisseling tussen deze diensten.
Voor klimaatprojecties speelt het IPCC een coördinerende rol, gevoed door tientallen onderzoeksinstituten wereldwijd die deelnemen aan het CMIP-project, waaronder instituten in de Verenigde Staten, Europa, Japan en China.
Op het vlak van AI-gedreven ensemblevoorspelling zijn techbedrijven de laatste jaren nadrukkelijk in beeld gekomen. Google DeepMind, Huawei en Nvidia investeren fors in AI-weermodellen, vaak in samenwerking met bestaande meteorologische instituten die de trainingsdata en validatie leveren. Deze samenwerking tussen traditionele wetenschappelijke instituten en techbedrijven is kenmerkend voor de huidige fase van het vakgebied.