Hoe AI weersvoorspellingen verandert: GraphCast, AIFS en Canadas GEML

Weeragentschappen in Europa en Noord-Amerika hebben kunstmatige intelligentiemodellen naast elkaar met decennia oude op fysica gebaseerde prognoseringssystemen begonnen uit te voeren, en in sommige gevallen combineren ze de twee. De verschuiving wordt aangestuurd door het vermogen van AI om een globale 10-daagse voorspelling in minder dan een minuut op een enkele processor uit te voeren, vergeleken met uren supercomputertijd voor traditionele numerieke weersvoorspellingen, volgens Google DeepMind en het Europees Centrum voor Middellangeafstandsweersvoorspellingen (ECMWF).

Wat GraphCast en AIFS eigenlijk doen

GraphCast, gebouwd door Google DeepMind, is een machine-learning-model dat grafische neurale netwerken gebruikt om weergegevens over meer dan een miljoen rasterpunten te verwerken die het aardoppervlak bedekken met een resolutie van 28 bij 28 kilometer. Het neemt de atmosferische toestand van zes uur eerder en de huidige toestand, en voorspelt vervolgens de volgende zes uur; het herhalen van deze stap produceert een 10-daagse voorspelling. Het model en de resultaten ervan werden op 14 november 2023 in het tijdschrift Science gepubliceerd, met de code vrijgegeven als open source, volgens Google DeepMinds eigen aankondiging.

ECMWF bouwde zijn eigen systeem, het Artificial Intelligence Forecasting System (AIFS), dat op 25 februari 2025 operationeel werd en naast het traditionele op fysica gebaseerde Integrated Forecasting System (IFS) van het centrum loopt. AIFS gebruikt dezelfde startgegevens als IFS – ongeveer 60 miljoen kwaliteitsgecontroleerde waarnemingen van satellieten, vliegtuigen, boeien en grondstations die elke zes uur worden verzameld – maar past een machine-learning-model toe dat is getraind op historische weerpatronen in plaats van fysicavergelijkingen rechtstreeks op te lossen, volgens ECMWF.

Hoe nauwkeurig zijn de AI-modellen, volgens de organisaties die ze hebben gebouwd

Google DeepMind meldde dat GraphCast nauwkeurigere voorspellingen produceerde dan ECMWFs High Resolution Forecast (HRES) – beschreven door het bedrijf als de industrie benchmark – op meer dan 90% van 1.380 testvariabelen en voorspellingstijden, en op 99,7% van variabelen specifiek voor de troposfeer, de atmosfeerlaag waar het meeste weer optreedt. DeepMind zei ook dat GraphCast de landing van orkaan Lee in Nova Scotia negen dagen van tevoren voorspelde.

ECMWF meldde dat AIFS "meer prestatie levert dan geavanceerde op fysica gebaseerde modellen voor veel maatregelen, inclusief tropische cycloonbanen, met verbeteringen tot 20%," terwijl het ongeveer 1.000 keer minder energie per voorspelling gebruikt dan conventionele methoden.

Canadas hybride aanpak: AI stuurt een op fysica gebaseerd model

Environment and Climate Change Canada koos een ander pad en bouwde een Canadees AI-model genaamd Global Environmental eMuLator (GEML) op basis van DeepMinds open-source GraphCast-code en trainde het op Canadese historische weergegevens. In plaats van het op fysica gebaseerde model te vervangen, combineert het bureau de twee via een techniek die het "spectrale nudging" noemt: het traditionele model wordt voorzichtig naar de atmosferische toestand geleid die door GEML wordt gegenereerd, terwijl details op fijnere schaal die relevant zijn voor zwaar weer zich nog steeds ontwikkelen met behulp van gevestigde fysicavergelijkingen, volgens de officiële aankondiging van het bureau. Het hybridsysteem werd op 27 mei 2026 operationeel na meer dan een jaar testen.

Environment and Climate Change Canada zei dat AI-modellen kunnen beter presteren dan traditionele computermodellen voor grootschalige atmosferische patronen, wat het belangrijkst is bij langere voorspellingstijden, maar publiceerde geen specifiek verbeteringscijfer in de aankondiging.

Waar AI nog steeds tekortschiet

Zowel ECMWF als Environment and Climate Change Canada wezen op beperkingen. ECMWFs AIFS loopt momenteel alleen als een deterministische enkele voorspelling; een ensembleversie met 50 voorspellingsvariaties, wat standaard is voor het beoordelen van voorspellingszekerheid, is nog in ontwikkeling, volgens ECMWF. Environment and Climate Change Canada zei dat huidige AI-modellen op zichzelf slechts een beperkt aantal variabelen voorspellen, wat niet genoeg is voor operationeel gebruik, en dat ze fijnere atmosferische details zo afvlakken dat dit nauwkeurigheid voor bepaalde soorten extreem weer kan verminderen – een reden waarom het bureau een hybride ontwerp in plaats van een alleen-AI-systeem koos.