Kennisbank › Klimaat-AI & biosfeersimulaties
Klimaat-AI & biosfeersimulaties: hoe kunstmatige intelligentie het weer en de aarde leert doorgronden
Stel je voor: een supercomputer die niet alleen morgen het weer voorspelt, maar ook doorrekent hoe een tropisch bos zich de komende decennia ontwikkelt als de temperatuur met twee graden stijgt. Dat is in de kern waar klimaat-AI en biosfeersimulaties om draaien. Onderzoekers combineren kunstmatige intelligentie met traditionele natuurkundige modellen om het weer, het klimaat en complete ecosystemen sneller en preciezer te simuleren dan ooit tevoren.
Het verschil met klassieke weersvoorspelling is groot. Waar een gewone supercomputer uren nodig heeft om natuurkundige vergelijkingen door te rekenen, kan een getraind AI-model in enkele seconden een vergelijkbare voorspelling maken. Vergelijk het met een ervaren schaakmeester die een bordpositie in één oogopslag doorziet, terwijl een beginner elke zet stap voor stap moet uitrekenen. De AI heeft van miljoenen eerdere weerpatronen geleerd hoe lucht, water en warmte zich gedragen, en herkent daardoor razendsnel welke situatie nu voor de deur staat.
Wat is het precies?
Klimaat-AI berust op machine learning, een vorm van kunstmatige intelligentie waarbij een computer patronen leert herkennen uit grote hoeveelheden data in plaats van dat een programmeur alle regels vooraf intikt. Voor weer en klimaat betekent dit dat een model wordt getraind op decennia aan historische metingen: temperatuur, luchtdruk, windsnelheid, neerslag en meer, verzameld door satellieten, weerballonnen en grondstations.
De meeste doorbraakmodellen gebruiken zogeheten neurale netwerken, wiskundige structuren die losjes zijn geïnspireerd op hoe hersencellen signalen doorgeven. Een specifiek type dat veel wordt gebruikt is de graph neural network (grafneuraal netwerk), waarbij de aarde wordt opgedeeld in een raster van punten die onderling verbonden zijn, vergelijkbaar met een fijnmazig visnet over de wereldbol. Het model leert hoe verandering op het ene punt invloed heeft op naburige punten, en rekent dat proces telkens een stapje vooruit in de tijd.
Bij biosfeersimulaties komt daar een extra laag bij: modellen van planten, bodems, oceanen en dierlijk leven. Deze zogeheten Earth system models (aardsysteemmodellen) proberen niet alleen de fysica van de atmosfeer te vatten, maar ook hoe bossen koolstof opnemen, hoe oceanen warmte opslaan en hoe ecosystemen verschuiven bij veranderende omstandigheden. AI wordt hier ingezet om onderdelen die traditioneel zeer rekenintensief zijn, zoals wolkenvorming of bodemvochtigheid, te versnellen zonder al te veel nauwkeurigheid te verliezen.
Belangrijk is dat de meeste systemen geen pure AI zijn. Vaak worden AI-onderdelen gecombineerd met klassieke natuurkundige vergelijkingen, in wat onderzoekers hybride modellen noemen. De AI versnelt of verfijnt, maar de fundamentele natuurwetten blijven de basis.
Wat wil men ermee bereiken?
Het belangrijkste doel is snelheid zonder verlies van betrouwbaarheid. Klassieke klimaatmodellen draaien op de grootste supercomputers ter wereld en kosten enorm veel energie. Een AI-model dat na training vergelijkbare uitkomsten geeft, maar duizenden keren sneller en met een fractie van het energieverbruik, opent de deur naar veel meer scenario's doorrekenen: wat gebeurt er bij twee, drie of vier graden opwarming, en hoe verschilt dat per regio.
Een tweede doel is betere lokale voorspellingen. Klassieke modellen werken vaak met een raster van tientallen kilometers, waardoor lokale weersextremen zoals een plotselinge wolkbreuk soms gemist worden. AI-modellen kunnen, mits goed getraind, gedetailleerder inzoomen en zo eerder waarschuwen voor overstromingen, hittegolven of hevige storm.
Voor biosfeersimulaties is de ambitie om beter te begrijpen hoe ecosystemen kantelpunten naderen, momenten waarop een systeem abrupt en onomkeerbaar verandert. Denk aan het afsterven van koraalriffen bij te warme oceanen of het omslaan van het Amazonewoud van regenwoud naar savanne. Vroegtijdige signalering van zulke kantelpunten kan beleidsmakers helpen tijdig bij te sturen.
Voorbeelden uit de praktijk
GraphCast (Google DeepMind, 2023) is een AI-weermodel dat in de wetenschappelijke tijdschriften Science werd gepubliceerd. Het model maakt tien dagen vooruit voorspellingen binnen ongeveer een minuut op een enkele computerchip, en presteerde in veel gevallen nauwkeuriger dan het gangbare Europese weermodel van het ECMWF, het Europees Centrum voor Middellange Weersverwachtingen.
Pangu-Weather (Huawei, 2022-2023) was een van de eerste AI-modellen die op meerdere fronten beter scoorde dan traditionele numerieke weersvoorspelling. Het gebruikt een zogeheten transformer-architectuur, een technologie die ook aan de basis ligt van taalmodellen zoals ChatGPT, maar dan toegepast op atmosferische data.
AIFS (Artificial Intelligence Forecasting System), ECMWF, operationeel sinds 2024, is het eerste AI-weermodel dat door een grote nationale of internationale weerdienst daadwerkelijk in de dagelijkse voorspellingspraktijk wordt gebruikt naast de klassieke modellen.
Earth-2, NVIDIA (aangekondigd 2023), is een platform waarmee onderzoekers digitale simulaties van de aarde kunnen bouwen, met als doel om uiteindelijk extreme weersgebeurtenissen op straatniveau te kunnen doorrekenen.
ClimSim en ClimateBench zijn open datasets en testomgevingen die onderzoekers wereldwijd gebruiken om AI-modellen voor klimaatsimulatie eerlijk met elkaar te vergelijken, een belangrijke stap om te voorkomen dat elk laboratorium zijn eigen, niet-vergelijkbare resultaten claimt.
Hoe ver is de techniek?
Op het gebied van kortetermijnweersvoorspelling, tot ongeveer twee weken vooruit, hebben AI-modellen de afgelopen drie jaar een opmerkelijke inhaalslag gemaakt. Verschillende onafhankelijke vergelijkingen laten zien dat de beste AI-modellen inmiddels op veel meetpunten net zo goed of beter presteren dan de klassieke fysische modellen, en dat aanzienlijk sneller en goedkoper.
Voor langetermijnklimaatprojecties, decennia tot eeuwen vooruit, ligt dat anders. Daar is de fysische onderbouwing nog cruciaal, omdat AI-modellen doorgaans getraind zijn op historische data en minder betrouwbaar zijn bij omstandigheden die de aarde nog niet eerder heeft meegemaakt, zoals CO2-concentraties die ver boven alles liggen wat in de trainingsdata voorkwam. Dit fenomeen heet extrapolatieprobleem: een model dat goed is in het herkennen van bekende patronen, kan onbetrouwbaar worden zodra de werkelijkheid buiten die bekende patronen valt.
Bij biosfeersimulaties staat de techniek relatief nog in de kinderschoenen. Het combineren van AI met complexe biologische processen, zoals hoe bomen reageren op droogte of hoe insectenpopulaties verschuiven, vereist enorme hoeveelheden observatiedata die vaak nog ontbreken, vooral voor afgelegen ecosystemen. Wetenschappers zijn het erover eens dat dit gebied nog volop in ontwikkeling is en dat modeluitkomsten met de nodige onzekerheidsmarges gepresenteerd moeten worden.
Een terugkerend punt van kritiek is bovendien dat AI-modellen soms fysisch onmogelijke uitkomsten kunnen geven, bijvoorbeeld een verkeerde energiebalans, omdat ze patronen nabootsen zonder de onderliggende natuurwetten expliciet af te dwingen. Onderzoekers werken aan zogeheten physics-informed AI, waarbij natuurkundige regels als extra beperking in het model worden ingebouwd om dit risico te verkleinen.
Wie werken eraan?
Op het gebied van AI-weermodellen lopen enkele techbedrijven voorop: Google DeepMind (GraphCast en opvolgers), Huawei (Pangu-Weather), NVIDIA (FourCastNet en het Earth-2-platform) en Microsoft, dat via het initiatief AI for Earth onderzoek financiert.
Aan de institutionele kant speelt het ECMWF in Reading, Engeland, een centrale rol als Europese autoriteit op het gebied van weersvoorspelling en de brug tussen klassieke en AI-modellen. In de Verenigde Staten doet de NOAA, de National Oceanic and Atmospheric Administration, vergelijkbaar werk, evenals NASA voor satellietdata en aardobservatie.
In Nederland is het KNMI (Koninklijk Nederlands Meteorologisch Instituut) actief betrokken bij onderzoek naar AI-toepassingen in weersvoorspelling, vaak in samenwerking met Europese partners. Op het gebied van klimaatbeleid en wetenschappelijke synthese blijft het IPCC, het klimaatpanel van de Verenigde Naties, de belangrijkste internationale autoriteit, al gebruikt het IPCC zelf vooralsnog vooral klassieke modellen als basis voor zijn rapporten.
Academisch zijn universiteiten zoals ETH Zürich, Oxford en het Max Planck Instituut voor Meteorologie in Duitsland toonaangevend in onderzoek naar hybride klimaatmodellen die AI en fysica combineren.