Deze MIT AI ziet catastrofes die nog nooit zijn gebeurd

Sophie Jansen · 2026-08-25

Stel je voor dat je een storm kunt voorspellen die nog nooit in de geschiedenisboeken heeft gestaan. Dat klinkt als sciencefiction, toch? Maar onderzoekers van MIT hebben een AI-tool ontwikkelt die precies dat doet: het voorspelt extreem weer zonder te leunen op historische rampendata. Het team, bestaande uit promovendus Kai Chang en professor Themis Sapsis, heeft een methode gebouwd die kaarten genereert van gebeurtenissen die statistisch mogelijk zijn, maar nog nooit in een regio zijn voorgekomen. Elke kaart geeft ook een inschatting van de verwachte duur, intensiteit en het mogelijke impactgebied. Hoe werkt dat in hemelsnaam? ### Waarom oude data soms tekortschiet De huidige risicomodellen voor verzekeraars, stadsplanners en netbeheerders hebben een fundamentele beperking. Ze zijn gebaseerd op datasets die al extreme gebeurtenissen bevatten. Ze leren van de omstandigheden die die eerdere rampen veroorzaakten en projecteren vervolgens vergelijkbare patronen op de toekomst. Chang legt het probleem helder uit: “Deze methoden gaan ervan uit dat de zeer desastreuze gebeurtenissen die we nodig hebben, al in de dataset zitten.” Sapsis vult aan met een voorbeeld: “Een orkaan zoals Katrina komt elke 30 tot 40 jaar voor. Maar hoe ziet de Katrina eruit die eens in de 100 jaar komt? Hoe erg zal die zijn? Dat is precies wat we proberen te kwantificeren.” ### De techniek achter de voorspellingen Hun algoritme, genaamd Extreme Event Aware of η-learning, combineert twee soorten gegevens: - **Puntstatistieken**: Die meten hoe vaak een bepaalde intensiteit (zoals maximale neerslag) binnen een dataset voorkomt. - **Spatiale kaarten**: Die 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 wat het ooit in zijn trainingsdata heeft gezien. Het heeft geen eerdere voorbeelden van die specifieke extremen nodig. Voor hun test gebruikten ze 25 jaar aan uurlijkse neerslaggegevens uit de VS. Het interessante is dat ze het ruimtelijke model trainden met kaarten van slechts de eerste zes maanden van die 25 jaar – een periode met weinig tot geen voorbeelden van de zwaarste regenval. Het algoritme leerde hoe patronen in low-resolution kaarten overeenkwamen met detail in high-resolution versies. Vervolgens paste het de puntstatistieken van het volledige archief toe om te begrenzen hoe extreem de gegenereerde patronen konden worden. ### De praktische toepassing: Voorbereiden op het ondenkbare De hoogste regenval ooit gemeten in New York City bedroeg 200 millimeter. Dit nieuwe model kan geloofwaardige kaarten genereren van een storm die 300 millimeter produceert – een niveau dat geen match heeft in de waarnemingsgeschiedenis. 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 een reeks kaarten die statistisch plausibele stormen op die frequentie tonen. Elke kaart heeft zijn eigen omvang, dekking en variërende neerslagintensiteit. Dit stelt planners in staat infrastructuur te testen tegen worst-case scenario's. Denk aan dijkhoogtes, de capaciteit van rioleringen of de veerkracht van het energienet. Het is een paradigmaverschuiving. In plaats van terug te kijken naar wat er was, kijkt deze AI vooruit naar wat er zou *kunnen* zijn. En in een tijd van klimaatverandering, waar historische data steeds minder betrouwbaar wordt, kan dat het verschil maken tussen voorbereid zijn en verrast worden.