Hoe MIT's AI toekomstige stormen voorspelt die niemand ooit zag aankomen

Sophie Jansen · 2026-08-25

Stel je voor dat je infrastructuur kunt testen tegen een storm die nog nooit heeft plaatsgevonden. Dat klinkt als sciencefiction, toch? Maar onderzoekers van MIT hebben een AI-tool ontwikkeld die precies dat mogelijk maakt. Ze kunnen extreme weersomstandigheden voorspellen zonder te trainen op historische rampgegevens. Dat verandert het spel volledig voor stadsplanners en verzekeraars. ### Het probleem met historische data Kai Chang, een promovendus in werktuigbouwkunde, en professor Themis Sapsis ontwikkelden het gereedschap. De huidige risicomodellen hebben een fundamentele beperking. Ze zijn afhankelijk van datasets die al extreme gebeurtenissen bevatten. Chang legt het zo uit: "Deze methoden gaan ervan uit dat er zeer rampzalige gebeurtenissen zijn die we in de dataset hebben gezien." Maar wat als de grootste ramp nog moet komen? Sapsis geeft een concreet voorbeeld: "Een gebeurtenis zoals Hurricane Katrina gebeurt eens in de 30 tot 40 jaar. Maar wat wordt de Katrina die eens in de 100 jaar plaatsvindt? Hoe erg zal die zijn? Dat is precies wat we proberen te kwantificeren." Hun nieuwe methode, genaamd Extreme Event Aware of η-learning, lost dit op. ### Hoe werkt deze revolutionaire AI? De algoritme combineert twee soorten gegevens op een slimme manier: - Puntstatistieken: Deze meten hoe vaak een bepaalde intensiteit, zoals maximale neerslag, voorkomt binnen een dataset. - Ruimtelijke kaarten: Deze tonen 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 eerdere voorbeelden van die exacte extremen nodig. Denk er eens over na: het hoogste regenval ooit gemeten in New York City was 200 millimeter. Deze methode kan geloofwaardige kaarten genereren van een storm die 300 millimeter produceert - een niveau dat geen match heeft in de observatiegeschiedenis. ### Praktische toepassingen en testen De onderzoekers testten de aanpak op neerslag in de continentale VS. Ze gebruikten 25 jaar aan uurlijkse regenvaldata. Het interessante is dat het trainingsvenster voor het ruimtelijke model klein was. Slechts de eerste zes maanden van die 25-jarige dataset werden gebruikt, een periode met weinig of geen voorbeelden van de zwaarste regenniveaus. Wat kun je ermee doen? Een gebruiker kan het getrainde algoritme vragen om te laten zien hoe een eens-in-de-eeuw-storm eruit zou kunnen zien voor een specifieke stad. De uitvoer bestaat uit kaarten die statistisch plausibele stormen op die frequentie tonen. Elke kaart heeft zijn eigen grootte en dekking, en de regenintensiteit varieert ook over de set. Dit is niet zomaar een academische oefening. Het heeft directe implicaties voor: - Verzekeringsmaatschappijen die risico's moeten modelleren - Stadsplanners die infrastructuur moeten ontwerpen - Netbeheerders die het elektriciteitsnet veerkrachtig moeten maken ### De toekomst van weersvoorspelling Deze doorbraak betekent dat we voor het eerst kunnen anticiperen op scenario's waar we geen historische referentie voor hebben. Het is alsof je een kristallen bol hebt die niet naar het verleden kijkt, maar naar statistisch mogelijke toekomsten. Dat geeft planners een krachtig instrument om zich voor te bereiden op plausibele extreme scenario's. De technologie staat nog in de kinderschoenen, maar de potentie is enorm. Stel je voor dat Nederlandse waterautoriteiten kunnen testen hoe onze dijken zouden omgaan met een storm die nog nooit is voorgekomen. Of dat we onze steden kunnen voorbereiden op extreme hittegolven die buiten het historische record vallen. Dat is de belofte van deze AI - het helpt ons voorbereiden op het onvoorstelbare, door het voorstelbaar te maken.