Deze MIT-AI ziet extreem weer dat nog nooit is voorgekomen

Sophie Jansen · 2026-08-25

Stel je voor dat je een storm kunt voorspellen die nog nooit heeft plaatsgevonden. Geen historische data, geen eerdere voorbeelden. Dat klinkt als sciencefiction, maar onderzoekers van MIT hebben het werkelijkheid gemaakt. Kai Chang, een promovendus in werktuigbouwkunde, en professor Themis Sapsis ontwikkelden een AI-tool die extreem weer kan voorspellen zonder te trainen op historische rampendata. Het systeem genereert kaarten van gebeurtenissen die nog nooit in een regio zijn waargenomen, maar statistisch gezien wél mogelijk zijn. Elke kaart bevat schattingen van de waarschijnlijke duur en intensiteit van het evenement, plus een aparte inschatting van het gebied dat mogelijk wordt getroffen. Het is alsof je naar de toekomst kunt kijken zonder dat je het verleden hoeft te kennen. ### Waarom traditionele modellen tekortschieten Bestaande risicomodellen werken heel anders. Verzekeraars, stadsplanners en netbeheerders willen meestal weten hoe een 'eeuwstorm' eruit zou zien voor een specifieke locatie. Huidige simulaties zijn afhankelijk van datasets die al extreme gebeurtenissen bevatten. Chang legt de beperking uit: "Deze methoden gaan ervan uit dat er zeer rampzalige gebeurtenissen zijn die we in de dataset hebben gezien. Ze bouwen een methode om óf het risico van die gebeurtenissen in te schatten, óf precies de gebeurtenissen te voorspellen die zijn gebeurd." Sapsis verduidelijkt het met een voorbeeld: "Een gebeurtenis zoals orkaan Katrina komt elke 30 tot 40 jaar voor. Maar wat wordt de Katrina die elke 100 jaar voorkomt? Hoe erg zal die zijn? Dat is precies wat we proberen te kwantificeren." ### Hoe η-learning het anders aanpakt Het algoritme, genaamd Extreme Event Aware of η-learning, werkt met twee soorten gegevens: - Puntstatistieken die vastleggen hoe vaak een bepaald intensiteitsniveau voorkomt - Ruimtelijke 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 alles in zijn trainingsdata. Het heeft geen eerdere voorbeelden van die exacte extremen nodig. ### De praktische toepassing De onderzoekers testten de aanpak op neerslag in de continentale VS. Ze begonnen met 25 jaar aan uurgegevens over regenval, samengevoegd tot dagelijkse kaarten. Het trainingsvenster voor het ruimtelijke model was opvallend smal: slechts de eerste zes maanden van die 25-jarige dataset. Die periode bevatte weinig of geen voorbeelden van de zwaarste regenvalniveaus. Toch kon het algoritme leren hoe patronen in de laagresolutiekaarten overeenkwamen met details in de hoogresolutieversies. Het hoogste regenvalrecord ooit gemeten in New York City is 200 millimeter. Deze methode kan geloofwaardige kaarten genereren van een storm die 300 millimeter produceert - een niveau zonder tegenhanger in de observationele gegevens. 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 tonen. Elke kaart heeft zijn eigen grootte en dekking, en de regenvalintensiteit varieert ook over de set. Volgens Chang kan het algoritme grote volumes genereren van dergelijke scenario's. ### Wat dit betekent voor de praktijk Dit is meer dan alleen een academische oefening. Voor stadsplanners betekent dit dat ze infrastructuur kunnen testen tegen worst-case scenario's die nog nooit zijn voorgekomen. Voor verzekeraars opent het nieuwe mogelijkheden om risico's in te schatten die voorheen onzichtbaar waren. Het systeem combineert de breedte van statistische analyse met de detailnauwkeurigheid van ruimtelijke modellering. Het is alsof je een weervoorspeller geeft die niet alleen naar het verleden kijkt, maar naar alle mogelijke toekomsten. Chang vat het mooi samen: "We proberen planners te helpen zich voor te bereiden op plausibele extreme scenario's." En dat is precies wat deze technologie mogelijk maakt - voorbereiden op het onvoorstelbare, voordat het gebeurt. De volgende keer dat je hoort over een 'ongekende storm', bedenk dan dat er nu technologie bestaat die zulke gebeurtenissen niet alleen kan voorspellen, maar ze zelfs kan visualiseren voordat ze plaatsvinden. Dat verandert alles voor hoe we omgaan met klimaatrisico's.