Deze AI voorspelt extreem weer dat nog nooit is gebeurd

Sophie Jansen · 2026-08-25

Stel je voor dat je een orkaan kon zien aankomen die je stad nog nooit heeft meegemaakt. Dat klinkt als science fiction, toch? Maar onderzoekers van MIT hebben het werkelijkheid gemaakt. Ze bouwden een AI-tool die extreem weer kan voorspellen zonder te leren van historische rampdata. Het is alsof je een weerman vraagt om een storm te beschrijven die hij nooit heeft gezien. En toch kan hij je precies vertellen waar de hardste wind zal waaien en hoeveel regen er zal vallen. ### Hoe werkt deze revolutionaire AI? Kai Chang, een promovendus in werktuigbouwkunde, en professor Themis Sapsis ontwikkelden de tool. Ze noemen hun methode Extreme Event Aware, of η-learning. Het werkt anders dan alles wat we tot nu toe kenden. Bestaande risicomodellen kijken naar wat er al is gebeurd. Verzekeraars en stadsplanners willen weten hoe een 'eeuwstorm' eruit zou zien voor een specifieke locatie. Maar die modellen hebben een fundamentele beperking. Chang legt het zo uit: "Deze methodes gaan ervan uit dat er zeer rampzalige gebeurtenissen zijn die we in de dataset hebben gezien. Ze bouwen een methode om het risico van die gebeurtenissen te schatten, of proberen precies de gebeurtenissen te voorspellen die zijn gebeurd." ### Waarom historische data niet genoeg is Sapsis gebruikt Hurricane Katrina als voorbeeld. "Een gebeurtenis zoals Hurricane Katrina gebeurt elke 30 tot 40 jaar," zegt hij. "Maar wat wordt de Katrina die elke 100 jaar voorkomt? Hoe erg zal die zijn? Dat is precies wat we proberen te kwantificeren." De crux zit 'm hierin: als je alleen leert van wat er al is gebeurd, kun je nooit iets voorspellen dat nog nooit is gebeurd. Het is alsof je alleen maar naar oude foto's van auto's kijkt en dan probeert te bedenken hoe een vliegende auto eruit zou zien. ### Het geheim: twee soorten data combineren Hun algoritme werkt met twee soorten gegevens. Puntstatistieken meten hoe vaak een bepaalde intensiteit voorkomt. Ruimtelijke kaarten laten zien hoe de impact van een gebeurtenis varieert over een regio. Door het statistische verband tussen deze twee te leren, kan het algoritme ruimtelijke patronen bouwen voor gebeurtenissen die verder gaan dan alles in zijn trainingsdata. Het heeft geen voorbeelden nodig van die exacte extremen. ### Praktijkvoorbeeld: 300 millimeter regen in New York De onderzoekers testten hun aanpak op neerslag in de continentale VS. Ze gebruikten 25 jaar aan uurlijkse regenvaldata. De hoogste regenval ooit gemeten in New York City is 200 millimeter. Maar hun methode kan geloofwaardige kaarten genereren van een storm die 300 millimeter produceert. Dat niveau heeft geen equivalent in de observationele records. Wat betekent dit voor planners en verzekeraars? - Ze kunnen infrastructuur testen tegen worst-case scenario's - Steden kunnen beter voorbereiden op onverwachte rampen - Verzekeringsmodellen worden nauwkeuriger - Klimaatadaptatie krijgt een krachtig nieuw instrument ### Toekomst van weersvoorspelling Een gebruiker kan het getrainde algoritme vragen hoe een eens-in-de-eeuw-storm eruit zou zien voor een bepaalde stad. De output bestaat uit kaarten die statistisch plausibele stormen op die frequentie laten zien. Elke kaart heeft zijn eigen grootte en dekking, en de regenintensiteit varieert ook over de set. Volgens Chang kan het algoritme grote volumes aan scenario's genereren. Dit verandert alles voor hoe we omgaan met klimaatrisico's. We hoeven niet langer te wachten tot een ramp gebeurt om te weten hoe we ons moeten voorbereiden. We kunnen nu anticiperen op wat nog nooit is gebeurd, maar statistisch gezien wel zou kunnen. Het voelt een beetje als tijdreizen naar de toekomst. Maar dan zonder de paradoxen - alleen met betere data en slimmere planning. Voor steden die kampen met klimaatverandering, kan dit het verschil betekenen tussen overstromen en overleven. En dat is precies waarom dit onderzoek zo belangrijk is. Het geeft ons een glimp van toekomstige uitdagingen, zodat we vandaag al kunnen beginnen met bouwen aan een veiligere wereld voor morgen.