Nieuw AI-weermodel van Google gelanceerd: WeatherNext 3
5 september 2026
WeatherNext 3 van Google is de nieuwste generatie van Google's wereldwijde AI-weermodel. Het brengt een aantal grote vernieuwingen ten opzichte van traditionele weermodellen en eerdere AI-versies. Naast een aantal enorme voordelen, zijn er bij dit AI-weermodel ook een aantal nadelen.
Steeds meer Artificiële Intelligentie in de meteorologie
De meteorologie staat niet stil. Waar weermodellen zoals ECMWF en GFS tientallen jaren vertrouwden op loodzware natuurkundige berekeningen op supercomputers, heeft kunstmatige intelligentie (AI) definitief haar intrede gedaan in de weerwereld. Modellen als GraphCast van Google DeepMind, AIFS van ECMWF en Pangu-Weather laten mooie resultaten zien op de weerkaarten. Maar vervangt AI de traditionele meteoroloog binnenkort volledig, of zitten er addertjes onder het gras?
Waar AI beter is dan de klassieke weermodellen
Waar een traditioneel weermodel uren rekenkracht op een supercomputer vraagt, genereert een getraind AI-model een wereldwijde verwachting voor 10 dagen in slechts enkele seconden. Dat brengt ook een veel lagere kost mee, want computers laten draaien om de complexe natuurlijkundige berekeningen te laten doen en laten afkoelen kost energie en geld. Klassieke weermodellen maken complexe differentiaalvergelijkingen in de klassieke vloeistofdynamica, wat veel tijd vraagt.
AI-modellen scoren op de middellange termijn - dat is 3 tot 10 dagen vooruit - in veel gevallen al beter op het gebied van temperatuur, luchtdruk en windsnelheden dan de klassieke natuurkundige modellen. Zo scoort volgens ECMWF hun AI-model AIFS al beter dan hun klassiek numerieke model, dat het in vele gevallen overigens ook nog steeds goed doet.
Patronen die leiden tot stormen, hittegolven of plotselinge depressies worden door AI razendsnel herkend op basis van weerpatronen uit het verleden. Zo kan een huidige weerkaart die overeenkomsten toont met de weerkaart van eind januari 1953 een belletje doen rinkelen bij het AI-model dat er mogelijk een stormvloed op komst is.
Waar AI de mist in gaat
AI begrijpt de thermodynamica achter het weer niet. Het herkent uitsluitend patronen in data. Als er een weersituatie ontstaat die nog nooit eerder in de geschiedenis is voorgevallen - bijvoorbeeld door klimaatverandering - kan een AI-model de bal volledig misslaan.
AI-modellen hebben de neiging om uitkomsten te 'gemiddelden'. Lokale, felle zomerse onweersbuien of extreem lokale gladheid door krimpende opklaringen worden vaak gladgestreken en dus onderschat. Globale klassieke weermodellen doen dat in feite ook in zekere zin, maar zullen nog steeds intensere onweders beter "begrijpen" en weergeven in het neerslagpatroon. Lokale fijnmazige modellen voor de korte termijn kunnen hierop een antwoord zijn.
Een AI-model is exact zo goed als de data waarop het is getraind. Het is dus afhankelijk van historische data. Zeldzame events uit het verleden die niet goed gedocumenterd zijn, worden door AI niet opgemerkt. Wanneer een AI-model een bizarre weersverwachting voorspelt, is het voor meteorologen erg lastig te achterhalen waarom het model die keuze maakt, doordat het fysieke basis ontbreekt.
Wat is er nieuw aan WeatherNext 3?
WeatherNext 3 van Google DeepMind en Google Research is de nieuwste generatie van Google's wereldwijde AI-weermodel. Het brengt een aantal grote vernieuwingen ten opzichte van traditionele weermodellen en eerdere AI-versies.
Waar WeatherNext 2 een grof raster van 25 km gebruikte, brengt WeatherNext 3 belangrijke variabelen zoals temperatuur en vochtigheid op een resolutie van 5 km in kaart. Dit zorgt voor veel betere lokale voorspellingen, zoals het meewegen van bergen, kusten en dalen. In plaats van elke 6 uur een update te geven via trage supercomputersimulaties, gebruikt het model realtime geostationaire satellietdata. Hierdoor worden voorspellingen elk uur ververst met minimale vertraging. Dit is dan wel voor de weersverwachting van 48-uur vooruit (twee dagen dus). Voor de langere termijn - tot 15 dagen vooruit - is er elke 6 uur een update. Naast de input van satellietdata gebruikt WeatherNext 3 ook de hoge resolutie analysekaart van het ECMWF.
AI-modellen hadden voorheen moeite met het nauwkeurig afbakenen van regen en sneeuw. Door te trainen op radardata van NASA en satellieten is de nauwkeurigheid van neerslagvoorspellingen enorm toegenomen, een verbetering tot wel 50-60%.
Het AI-model voorspelt nu ook variabelen voor duurzame energie. Zo voorspelt het model nu ook de wind op 100 meter hoogte - de hoogte van windturbines en gedetailleerde zonne-instraling en de bewolkingsgraad, wat cruciaal is voor beheerders van zonne- en windparken.
Ten slotte worden de verbeterde voorspellingen meteen uitgerold naar Google-diensten zoals Google Zoeken, Google Maps, de Gemini-app en voor bedrijven via Google Cloud en BigQuery.
Oude wijn in nieuwe zakken? MOS-verwachtingen
In feite is het voorspellen via historische data niet helemaal nieuw. Toen ik 20 jaar geleden bij MeteoGroup (toen MeteoServices) begon, was dat het paradepaardje van de meteorologen. Het principe werd dus al jaren geleden toegepast met de zogeheten MOS (Model Output Statistics), waarbij eveneens historische gegevens worden gebruikt om verwachtingen aan te scherpen.
Beide systemen - MOS en AI - kijken naar het verleden om de uitkomst in de toekomst te verbeteren. MOS neemt de 'ruwe' uitvoer van een klassiek natuurkundig weermodel - zoals het ECMWF of GFS - en vergelijkt die met historische waarnemingen van een specifiek weerstation op de grond. Zo leert MOS de structurele fouten van het weermodel te corrigeren en dat was vroeger nog meer van toepassing dan nu. Bijvoorbeeld: "Dit model voorspelt bij een zuidwestenwind systematisch 1 graad te koud voor Ukkel, dus ik tel er 1 graad bij op". AI-modellen doen op macroniveau precies hetzelfde: ze leren van enorme hoeveelheden historische data - zoals de ERA5-reanalyse-dataset van het ECMWF - om patronen en relaties te herkennen.
Het fundamentele verschil zit hem in hoe ver het principe wordt doorgevoerd. De filosofie achter AI in het weer is niet nieuw. De MOS liet de weerwereld decennia geleden al zien dat statistiek op basis van het verleden vaak nauwkeuriger is voor de lokale verwachting dan een zuiver natuurkundige formule. AI heeft die statistische gedachte nu simpelweg opgeschaald naar het gehele wereldwijde systeem.
Conclusie van de meteoroloog
AI is een fantastische doorbraak die de weerkunde sneller en op veel punten nauwkeuriger maakt. Toch is het geen wondermiddel. De beste weersverwachting ontstaat momenteel uit een hybride aanpak: de rauwe data-analyse van AI, gecombineerd met de fysische vergelijkingen van klassieke modellen én de kritische blik van de meteoroloog die de lokale situatie in de Benelux door en door kent.
Tenslotte moet ik - die jaren als operationeel voorspeller heeft gewerkt - hier aanstippen dat iedere meteoroloog zijn eigen voorkeuren heeft. Elk model heeft zo zijn zwakke kanten. Voor de korte termijn gebruik ik nog het liefst fijnmazige lokale modellen zoals het Franse Arome en het Duitse ICON-D2 (beiden 1,3 km resolutie) en voor de lange termijn de ECMWF weerkaarten met een resolutie van 9 km. Dat vergelijk ik soms met de AI-modellen om te zien of de evolutie hetzelfde is of met de ensembles om te kijken hoe betrouwbaar de weersverwachting is. En dan nog loopt het soms mis.
Door Dirk Hostens
Geïnteresseerd in hoe AIFS van het ECMWF het doet? Kijk dan op weerverteller.nl
