Temporele downscaling: van vage klimaatgemiddelden naar het weer van morgen
Stel je voor dat je van het KNMI hoort dat het in 2050 gemiddeld 15 procent meer gaat regenen in Nederland. Mooi, maar een boer, een waterschap of een verzekeraar heeft daar weinig aan: zij willen weten hoe die regen over de dagen verdeeld is. Valt die 15 procent extra in een paar zware buien die voor overstromingen zorgen, of juist verspreid over veel lichte regendagen? Temporele downscaling is de verzameling technieken die dat soort grove, langetermijngemiddelden vertaalt naar realistische reeksen op kortere tijdschaal — van maanden naar dagen, of van dagen naar uren.
De term is een tegenhanger van 'ruimtelijke downscaling', waarbij een groot vak op de kaart wordt opgesplitst in kleinere stukjes. Bij temporele downscaling gebeurt hetzelfde, maar dan in de tijd: een grove tijdstap wordt opgesplitst in fijnere stappen. Klimaatmodellen rekenen doorgaans met tijdstappen van een dag tot een maand, terwijl toepassingen als hoogwatervoorspelling, zonne-energieplanning of gewasmodellen vaak uurcijfers nodig hebben. Temporele downscaling is de brug tussen wat klimaatmodellen kunnen leveren en wat de praktijk nodig heeft.
Wat is het precies?
Een klimaatmodel simuleert het wereldwijde klimaatsysteem met een eindige rekencapaciteit. Om dat behapbaar te houden, wordt de tijd in stappen opgeknipt: soms een uur, vaak een dag, en voor langetermijnscenario's regelmatig een maand. Binnen zo'n stap wordt alleen een gemiddelde of totaal bijgehouden, en gaat alle interne variatie verloren.
Temporele downscaling probeert die verloren variatie terug te brengen, met twee hoofdroutes. De eerste is stochastische weergeneratie: een statistisch model leert uit historische waarnemingen hoe een maandgemiddelde neerslag zich normaal gesproken over de dagen verdeelt — hoeveel regendagen, hoe groot de buien, hoe vaak ze op elkaar volgen — en genereert daarmee een nieuwe, plausibele dagreeks die optelt tot het gewenste maandtotaal. De tweede route is disaggregatie op basis van referentiepatronen: je zoekt in historische data een dag of periode met een vergelijkbaar weerpatroon en 'plakt' de fijnschalige variatie daarvan over de nieuwe, grovere voorspelling heen.
Recenter is daar een derde route bijgekomen: machine learning, met name modellen die zijn getraind op grote hoeveelheden waarnemingsdata en leren welke fijnschalige patronen statistisch bij een bepaald grofschalig signaal horen. Met name generatieve modellen — algoritmes die niet één 'gemiddelde' uitkomst voorspellen maar telkens een nieuwe, realistische variant genereren — blijken hier goed te werken, omdat weer nu eenmaal grillig is en een gemiddelde voorspelling vlak en onrealistisch aanvoelt.
Belangrijk is dat temporele downscaling geen extra informatie uit het niets haalt. Het model kan niet weten op welke exacte dag het in 2050 gaat onweren; het kan alleen een statistisch plausibele verdeling produceren die 'aanvoelt' als echt weer en die aansluit bij de bekende fysica en historische patronen.
Wat wil men ermee bereiken?
De belangrijkste drijfveer is dat klimaatscenario's op zichzelf te grof zijn voor besluitvorming. Een dijkbeheerder heeft geen boodschap aan 'gemiddeld meer neerslag per jaar'; die wil weten hoe vaak extreme piekbuien voorkomen. Een energiebedrijf dat zonnepanelen wil plannen, heeft uurwaarden van zoninstraling nodig, niet een jaargemiddelde. Landbouwmodellen die gewasgroei simuleren, reageren sterk op de timing van droge en natte periodes binnen een groeiseizoen, niet op een seizoensgemiddelde.
Daarnaast spelen extremen een grote rol. Veel van de schade door klimaatverandering ontstaat niet door langzame gemiddelde verschuivingen, maar door pieken: hittegolven, wolkbreuken, droogteperiodes. Die pieken zitten juist in de fijnschalige, korte tijdschaal die bij grove klimaatmodellen wordt weggemiddeld. Temporele downscaling probeert daarom niet alleen het gemiddelde kloppend te krijgen, maar ook de statistiek van extremen — hoe vaak ze voorkomen en hoe heftig ze zijn — zo goed mogelijk te reconstrueren.
Tot slot is er een praktische reden: rekenkracht. Een klimaatmodel op uurbasis wereldwijd doorrekenen voor honderd jaar vooruit, in tientallen scenario's, is extreem kostbaar. Het is vaak efficiënter om het zware rekenwerk op een grove tijdschaal te doen en pas achteraf, goedkoper, te downscalen naar de tijdschaal die gebruikers nodig hebben.
Voorbeelden uit de praktijk
De BCSD-methode (Bias-Correction and Spatial/temporal Disaggregation), begin jaren 2000 ontwikkeld door onder anderen Andrew Wood en collega's, is een van de meest gebruikte klassieke technieken. Ze wordt onder meer toegepast door de Amerikaanse overheidsdienst Bureau of Reclamation, die er grootschalige archieven van gedownscalede klimaatprojecties (CMIP3 en CMIP5) mee heeft gemaakt voor waterbeheer in het westen van de Verenigde Staten.
In de landbouwsector wordt al sinds de jaren negentig de stochastische weergenerator LARS-WG gebruikt, ontwikkeld door Mikhail Semenov en Elaine Barrow. Het programma genereert synthetische, dagelijkse reeksen van temperatuur, neerslag en straling die statistisch overeenkomen met waargenomen of geprojecteerd klimaat, en wordt wereldwijd gebruikt in gewasmodellen om te onderzoeken hoe landbouwopbrengsten onder klimaatverandering veranderen.
NASA bracht in 2021 de dataset NEX-GDDP-CMIP6 uit: wereldwijde, dagelijks gedownscalede klimaatprojecties op een fijn rooster, afgeleid van de grovere CMIP6-klimaatmodellen die voor het IPCC-rapport zijn gebruikt. Deze dataset wordt breed gebruikt door onderzoekers die regionale klimaat-impactstudies doen, van bosbrandrisico tot rivierafvoer.
In Europa coördineert het initiatief EURO-CORDEX, onderdeel van het internationale CORDEX-programma van de Wereld Meteorologische Organisatie (WMO), sinds eind jaren 2000 de regionale downscaling van klimaatmodellen voor Europa, inclusief de tijdsdimensie, zodat verschillende onderzoeksinstituten met vergelijkbare, onderling vergelijkbare gedownscalede datasets kunnen werken.
Een recenter voorbeeld van de AI-route is CorrDiff van chipmaker NVIDIA, een generatief diffusiemodel — een type kunstmatige intelligentie dat ook wordt gebruikt om afbeeldingen te genereren — dat is getraind om uit grove weersmodellen realistische, kilometerschaal-weerpatronen te reconstrueren, inclusief hun tijdsverloop. NVIDIA presenteerde dit werk vanaf 2023-2024 als onderdeel van het Earth-2-platform, mede in samenwerking met de Taiwanese meteorologische dienst (Central Weather Administration), die het gebruikt voor gedetailleerdere tyfoonvoorspellingen.
Hoe ver is de techniek?
De klassieke statistische methodes, zoals BCSD en stochastische weergeneratoren als LARS-WG, zijn volwassen en worden al decennia operationeel gebruikt in wetenschap en beleid. Hun grootste zwakte is een aanname die 'stationariteit' heet: ze gaan ervan uit dat de statistische relatie tussen grof en fijn weer in de toekomst hetzelfde blijft als in het verleden. Onder een sterk veranderend klimaat is dat niet vanzelfsprekend — extreme buien kunnen in de toekomst een ander karakter krijgen dan de buien waarop het model getraind is.
De op machine learning gebaseerde methodes zijn duidelijk in ontwikkeling. Ze presteren in onderzoekscontext vaak beter dan klassieke statistiek, vooral in het reproduceren van realistische extremen, en zijn na training veel sneller te draaien dan het opnieuw doorrekenen van een fijnschalig fysisch model. Tegelijk zijn ze nog relatief nieuw: onafhankelijke validatie over lange periodes en in uiteenlopende klimaatregio's is nog beperkt, en er bestaat een reëel risico dat zulke modellen patronen 'hallucineren' die er visueel overtuigend uitzien maar fysisch niet kloppen. Ook is trainingsdata voor sommige regio's en variabelen schaars, wat de betrouwbaarheid buiten goed gemeten gebieden onzeker maakt.
Kortom: voor operationele toepassingen zoals waterbeheer en landbouwplanning zijn de klassieke technieken de gevestigde standaard, terwijl AI-gebaseerde downscaling zich vooral in de onderzoeks- en pilotfase bevindt, met veelbelovende resultaten maar nog zonder de decennialange trackrecord van de oudere methodes.
Wie werken eraan?
Op het gebied van klassieke statistische downscaling zijn Amerikaanse federale instanties zoals het Bureau of Reclamation en NASA (met het NASA Earth Exchange-programma, NEX) toonaangevend, evenals Britse onderzoeksgroepen rond het Rothamsted Research-instituut, waar LARS-WG is ontwikkeld.
In Europa speelt het Copernicus Climate Change Service (C3S), uitgevoerd door het Europees Centrum voor Middellangetermijn Weersverwachtingen (ECMWF) namens de Europese Unie, een centrale rol in het beschikbaar maken van klimaatdata en gedownscalede producten voor beleidsmakers en onderzoekers. Het bredere CORDEX-netwerk, gecoördineerd onder de Wereld Klimaatonderzoek Organisatie (WCRP), verbindt tientallen onderzoeksinstituten wereldwijd die regionale downscaling voor hun eigen continent uitvoeren, met EURO-CORDEX als de Europese tak.
Op het AI-front investeren techbedrijven als NVIDIA (Earth-2-platform, CorrDiff), Google DeepMind en Microsoft fors in machine-learning-modellen voor weer en klimaat, vaak in samenwerking met nationale weerdiensten. Het ECMWF zelf ontwikkelt eigen AI-weermodellen (zoals AIFS) naast zijn traditionele fysische modellen en reanalyse-datasets zoals ERA5, die weer als trainingsmateriaal dienen voor veel van de nieuwe AI-downscalingmodellen elders.