Numerieke weersvoorspelling: het weer berekenen met natuurkunde en supercomputers
Numerieke weersvoorspelling is de methode waarmee vrijwel alle moderne weersverwachtingen tot stand komen: de atmosfeer wordt niet geraden op basis van ervaring, maar doorgerekend met de wetten van de natuurkunde. Een supercomputer verdeelt de lucht rond de aarde in miljoenen denkbeeldige blokjes en berekent, uitgaande van de actuele temperatuur, luchtdruk, wind en vochtigheid in elk blokje, hoe die waarden een paar minuten later zullen zijn. Dat proces wordt vervolgens duizenden keren herhaald om uren, dagen of soms weken vooruit te rekenen.
Een handige vergelijking is een enorm dominospel in drie dimensies: als je precies weet hoe de eerste steentjes staan en welke natuurkundige regels bepalen hoe een vallende steen de volgende raakt, kun je in theorie voorspellen hoe het hele patroon zich ontvouwt. Bij het weer zijn de "domino's" luchtpakketjes die elkaar beïnvloeden via wind, temperatuurverschillen en waterdamp. Hoe beter je de beginopstelling kent en hoe fijnmaziger je rekent, hoe betrouwbaarder de voorspelling — maar omdat de atmosfeer chaotisch gedrag vertoont, blijft er altijd onzekerheid over.
Wat is het precies?
De basis van numerieke weersvoorspelling is een rooster, ook wel grid genoemd: de atmosfeer wordt opgedeeld in een driedimensionaal raster van cellen, horizontaal over de aardbol en verticaal in lagen van de grond tot hoog in de stratosfeer. In elke cel worden waarden bijgehouden voor onder meer temperatuur, luchtdruk, windsnelheid, windrichting en luchtvochtigheid.
Op dat rooster worden natuurkundige vergelijkingen losgelaten die beschrijven hoe lucht zich gedraagt: bewegingswetten van Newton voor wind, wetten van de thermodynamica voor warmte-uitwisseling, en behoud van massa en waterdamp. Dit zijn in essentie dezelfde soort vergelijkingen die ook stroming van water of lucht in andere technische toepassingen beschrijven. Een computer lost deze vergelijkingen niet in één keer op, maar stap voor stap: op basis van de huidige toestand wordt berekend hoe de atmosfeer er bijvoorbeeld tien minuten later uitziet, en dat wordt talloze keren herhaald tot de gewenste voorspelperiode is bereikt.
Voordat er gerekend kan worden, moet eerst de actuele toestand van de atmosfeer zo nauwkeurig mogelijk worden vastgesteld. Dit heet data-assimilatie: metingen van weersatellieten, weerballonnen, grondstations, schepen en vliegtuigen worden gecombineerd met de voorspelling van de vorige rekenronde om een zo consistent mogelijk startpunt te maken. Deze stap is cruciaal, want een kleine fout in de beginsituatie kan na verloop van tijd tot een heel andere voorspelling leiden.
De resolutie van een model — de afstand tussen roosterpunten — bepaalt hoeveel detail er zichtbaar is. Globale modellen rekenen tegenwoordig met roostercellen van pakweg negen tot vijfentwintig kilometer, regionale modellen voor een klein gebied als Nederland gaan tot enkele kilometers of zelfs minder. Processen die kleiner zijn dan een roostercel, zoals individuele wolken of onweersbuien, kunnen niet direct worden doorgerekend en worden daarom benaderd met vuistregels die parametrisatie heten.
Omdat de uitkomst gevoelig is voor kleine onzekerheden in de beginsituatie, draaien meteorologen niet één maar tientallen varianten van hetzelfde model, elk met licht andere startwaarden. Dit heet ensemblevoorspelling. Lopen de uitkomsten van al die varianten dicht bij elkaar, dan is de voorspelling waarschijnlijk betrouwbaar; lopen ze sterk uiteen, dan is de onzekerheid groot en communiceren weerdiensten dat ook, bijvoorbeeld als kans op neerslag in plaats van een harde voorspelling.
Wat wil men ermee bereiken?
Het directe doel is veiligheid: tijdig waarschuwen voor zware stormen, extreme neerslag, hittegolven of overstromingen, zodat mensen en hulpdiensten zich kunnen voorbereiden. Daarnaast heeft accurate weersvoorspelling grote economische waarde, bijvoorbeeld voor landbouw, scheepvaart en luchtvaart, en steeds belangrijker: voor de energiesector, waar de opbrengst van windmolens en zonnepanelen nauwkeurig voorspeld moet worden om het elektriciteitsnet in balans te houden.
Een breder doel is het stap voor stap oprekken van de voorspelbaarheidshorizon: hoe verder vooruit een betrouwbare voorspelling mogelijk is, hoe meer tijd er is om te reageren op naderend weer.
Het vakgebied is niet toevallig ontstaan. Wiskundige Lewis Fry Richardson probeerde al in 1922 handmatig een weersvoorspelling met vergelijkingen te berekenen, wat destijds maanden werk kostte voor een voorspelling van enkele uren en bovendien mislukte. Pas met de komst van elektronische computers werd het praktisch haalbaar: in 1950 voerden wetenschappers Jule Charney, John von Neumann en collega's op een van de eerste programmeerbare computers, de ENIAC, de eerste geslaagde numerieke weersberekening uit. Dat markeerde de overgang van weersvoorspelling als ervaringskunst van meteorologen naar een objectieve, op natuurkunde gebaseerde wetenschap.
Voorbeelden uit de praktijk
Het ECMWF (European Centre for Medium-Range Weather Forecasts), een intergouvernementeel Europees instituut, draait het IFS (Integrated Forecasting System), dat internationaal geldt als een van de best presterende globale weermodellen. Het rekencentrum verhuisde enkele jaren geleden van het Verenigd Koninkrijk naar Bologna, Italië, waar nieuwe supercomputercapaciteit beschikbaar kwam.
In de Verenigde Staten draait de weerdienst NOAA het GFS (Global Forecast System), een globaal model waarvan de ruwe data, in tegenstelling tot veel andere landen, vrij en openbaar beschikbaar is — een belangrijke bron voor onderzoekers en apps wereldwijd.
Voor gedetailleerde, kortetermijnvoorspellingen op nationale schaal gebruikt het KNMI onder meer het model HARMONIE-AROME, ontwikkeld in samenwerking met andere Europese weerdiensten, dat met een resolutie van een paar kilometer lokale buien en onweer beter in beeld brengt dan globale modellen dat kunnen.
De Duitse weerdienst DWD ontwikkelde het ICON-model, dat behalve in Duitsland ook door andere Europese landen wordt gebruikt of als basis dient voor eigen regionale versies.
Sinds het begin van de jaren 2020 doet een nieuwe generatie modellen mee die niet langer natuurkundige vergelijkingen doorrekenen, maar patronen leren uit decennia aan historische weerdata met kunstmatige intelligentie. Een spraakmakend voorbeeld is GraphCast, ontwikkeld door Google DeepMind en in 2023 beschreven in het wetenschappelijke tijdschrift Science, dat voorspellingen genereert die in bepaalde opzichten net zo accuraat zijn als traditionele modellen, maar in seconden in plaats van uren. Ook het ECMWF experimenteert inmiddels met een eigen AI-gebaseerd systeem, het AIFS (Artificial Intelligence Forecasting System), dat sinds enkele jaren naast het klassieke IFS-model wordt ontwikkeld en operationeel wordt ingezet.
Hoe ver is de techniek?
Sinds die eerste berekening in 1950 is de vooruitgang enorm geweest. Een veelgebruikte vuistregel onder meteorologen is dat de kwaliteit van weersvoorspellingen ongeveer één dag per decennium is toegenomen: een voorspelling voor over vijf dagen is tegenwoordig ruwweg zo betrouwbaar als een voorspelling voor de volgende dag enkele decennia geleden.
Die verbetering komt door een combinatie van factoren: krachtigere computers maken hogere resolutie mogelijk, betere satellieten en meetnetwerken leveren nauwkeurigere startcondities, en de wiskundige modellen zelf zijn verfijnd. Ensembletechnieken zijn inmiddels standaardpraktijk bij alle grote weerdiensten, niet langer een uitzondering.
De opkomst van AI-modellen is de meest recente ontwikkeling. Ze zijn opmerkelijk snel en verbruiken veel minder rekenenergie dan traditionele fysische modellen, omdat ze eenmaal getraind razendsnel voorspellingen genereren. Tegelijk zijn er nog serieuze beperkingen: AI-modellen presteren doorgaans minder goed bij zeldzame, extreme gebeurtenissen waarvoor weinig historische trainingsdata bestaat, en ze zijn voor hun startgegevens nog steeds afhankelijk van diezelfde data-assimilatiesystemen die ook de klassieke modellen voeden. De meeste weerdiensten zien AI-modellen daarom vooralsnog als aanvulling op, niet als vervanging van, de fysische modellen.
Er is bovendien een fundamentele grens aan hoe ver vooruit het weer ooit voorspeld zal kunnen worden, ongeacht hoe krachtig computers worden. Meteoroloog Edward Lorenz ontdekte in de jaren zestig dat de atmosfeer een chaotisch systeem is: piepkleine verschillen in de beginsituatie kunnen na verloop van tijd tot compleet andere uitkomsten leiden, bekend geworden als het "vlindereffect". Wetenschappelijke schattingen wijzen op een theoretische bovengrens van ongeveer twee weken voor gedetailleerde weersvoorspelling; daarna gaat exacte voorspelbaarheid verloren, al blijven statistische uitspraken over gemiddelde omstandigheden op langere termijn wel mogelijk.
De belangrijkste praktische obstakels zijn de hoge kosten en het energieverbruik van supercomputers, gebrekkige metingen boven oceanen en poolgebieden waardoor de beginsituatie daar minder goed bekend is, en de vraag hoe betrouwbaar AI-modellen blijven wanneer het klimaat verandert en weersituaties optreden die niet in de historische trainingsdata voorkwamen.
Wie werken eraan?
Het ECMWF in Europa geldt internationaal als een van de meest toonaangevende centra en wordt gefinancierd door meerdere Europese lidstaten gezamenlijk. Daarnaast heeft vrijwel elk land een eigen nationale weerdienst die numerieke modellen draait en verfijnt: het KNMI in Nederland, de DWD in Duitsland, de Met Office in het Verenigd Koninkrijk, Météo-France in Frankrijk, NOAA met de National Weather Service in de Verenigde Staten, het Japan Meteorological Agency (JMA) en de China Meteorological Administration (CMA).
Deze diensten werken nauw samen via de WMO (World Meteorological Organization), een gespecialiseerde organisatie van de Verenigde Naties die wereldwijde afspraken maakt over het delen van weermetingen — essentieel, omdat geen enkel land alleen genoeg data heeft om de hele atmosfeer te doorgronden.
De laatste jaren mengen ook grote technologiebedrijven zich in het veld, gedreven door de mogelijkheden van kunstmatige intelligentie. Naast Google DeepMind, dat met GraphCast en opvolgers naam maakte, investeren ook NVIDIA en het Chinese Huawei in AI-weermodellen. Deze samenwerking en concurrentie tussen gevestigde meteorologische instituten en techbedrijven bepaalt in belangrijke mate de richting waarin het vakgebied zich de komende jaren ontwikkelt.