Weersvoorspellingen zijn opmerkelijk betrouwbaar geworden over de korte horizon: de huidige modellen zijn zeer nauwkeurig tot ongeveer twee weken, en ook de klimaatprojecties op lange termijn verbeteren gestaag. Tussen deze twee tijdschalen ligt echter een hardnekkige blinde vlek. Voorspellingen in de periode van twee tot zes weken – ook wel bekend als sub-seizoensvoorspellingen – blijven onbetrouwbaar, ook al is dat precies het bereik dat van belang is bij het beslissen wanneer gewassen moeten worden geplant, hoe water en energie moet worden toegewezen en hoe we ons moeten voorbereiden op bosbranden.

Microsoft Research en een netwerk van externe medewerkers zeggen dat ze een manier hebben gevonden om die kloof te verkleinen, niet door nog een voorspellingsmodel te bouwen, maar door software te leren de voorspelbare fouten van de reeds bestaande modellen te corrigeren. De aanpak, genaamd Probabilistic Bias Correction (PBC), wordt gedetailleerd beschreven in een artikel gepubliceerd in het wetenschappelijke tijdschrift Nature en beschreven in een Microsoft-blogpost die deze week is gepubliceerd. Het is een van de rustiger praktische inzendingen in de golf van toegepast AI-onderzoek die onder [de nieuwste AI-ontwikkelingen] valt (https://aibuzzwire.news), omdat het de systemen upgradet waar meteorologen al op vertrouwen in plaats van hen te vragen om over te schakelen naar iets nieuws.

Waarom de periode van twee tot zes weken de prognoses tart

Op natuurkunde gebaseerde modellen simuleren de atmosfeer en de oceanen met behulp van wetenschappelijke vergelijkingen, terwijl nieuwere AI-modellen trainen op enorme archieven van waargenomen weergegevens. Volgens Microsoft presteren beide families goed tot ongeveer tien dagen. Voorbij dat punt stapelen de kleine initiële fouten zich op en overweldigen de complexe interacties tussen de atmosfeer, de oceanen en het landoppervlak beide benaderingen. Dit is de reden waarom de vooruitzichten voor de periode van twee tot zes weken lang achterbleven bij de rest van de voorspellingen.

In plaats van zich te begeven in een druk veld van concurrerende modellen, concentreerde het door Microsoft geleide team zich op een ander doel: de systematische, herhaalbare fouten die modellen op dit gebied maken. "Onze nieuwe pijplijn (PBC) neemt uw favoriete model als input en leert op welke manieren het de neiging heeft fouten te maken. Vervolgens corrigeert het deze fouten, wat een betere productievoorspelling oplevert voor het subseizoensbereik", legt het bedrijf uit in zijn blogpost.

Een lichtgewicht laag bovenop bestaande modellen

Technisch gezien is PBC een lichtgewicht machinaal leersysteem dat het archief van historische voorspellingen van een bepaald model bestudeert om te ontdekken waar en hoe dit systematisch vertekend is. Zodra deze patronen zijn geleerd, past het systeem de probabilistische output van het model aan om dit te compenseren. In evaluaties beschreven in het Nature-artikel rapporteert Microsoft dat PBC de prestaties verbeterde van 's werelds leidende, operationeel vertekende sub-seizoensmodel, beheerd door het European Centre for Medium-Range Weather Forecasts (ECMWF).

De resultaten hielden stand in live-wedstrijden, niet alleen in retrospectieve tests. ECMWF lanceerde in augustus 2025 de AI Weather Quest, een realtime wedstrijd die is ontworpen om probabilistische voorspellingen voor het seizoen te bevorderen. Een team genaamd MicroEnsemble, bestaande uit Microsoft-onderzoekers en externe medewerkers, kreeg de hoogste eer met een inzending genaamd MicroDuet, die PBC toepaste op het toonaangevende dynamische model van ECMWF.

"De AI Weather Quest biedt een uniek real-time benchmarkingplatform voor voorspellingen buiten het seizoen", zegt Dr. Joshua Talib, een wetenschapper op het gebied van voorspellingen buiten het seizoen bij ECMWF. "Bijdragen van Team MicroEnsemble hebben laten zien hoe machinaal leren de vaardigheden van traditionele dynamische voorspellingssystemen kan verbeteren door middel van nabewerking."

Van benchmark tot praktijkpiloten in Oost-Afrika

De techniek gaat al verder dan benchmarks. In Kenia bereiden voorspellers zich voor op het testen van PBC nu een van de twee regenseizoenen van het land van start gaat. Bij de inspanning zijn de Kenya Meteorological Service Authority (KMSA) en wetenschappers van het Climate Hazards Center van de Universiteit van Californië, Santa Barbara betrokken, met advies van Genevieve Flaspohler, die Rhiza Research leidt, een non-profitorganisatie die zich richt op het verbeteren van AI-aangedreven weersvoorspellingen.

Flaspohler stelt dat de waarde van een voorspelling afhangt van het feit of je er op tijd bij bent om ernaar te handelen. "Een goede weersvoorspelling, op het juiste moment en via het juiste communicatiekanaal, kan een grote differentiator zijn voor de landbouwresultaten", zei ze, waarbij ze opmerkte dat Oost-Afrika schommelde tussen de droogste jaren ooit en de natste jaren ooit. In een regio waar boerderijen grotendeels ontberen aan irrigatie en beplanting, bemesting en beslissingen over de aankoop van zaden, die allemaal afhankelijk zijn van de vooruitzichten, is een betere voorspelling voor het voorseizoen geen abstracte verbetering.

"Omdat we ons midden in de warmste El Niño ooit bevinden, bestaat er veel angst onder regeringen en in de klimaatwetenschappelijke gemeenschap over hoe dat zich zal manifesteren", aldus Flaspohler. "Er is een enorme behoefte aan eenvoudige voorspellingsmethoden die robuust werken."

Een efficiëntieargument in een tijdperk van grotere modellen

Wat PBC opmerkelijk maakt binnen AI-onderzoek is de economie. Terwijl een groot deel van het veld zich inspant om steeds grotere end-to-end voorspellingsmodellen te trainen, is PBC een relatief klein systeem dat het grootste deel van zijn vaardigheden ontleent aan de operationele modellen die het corrigeert. Dat maakt het goedkoper in het gebruik en gemakkelijker te implementeren voor meteorologische instanties, omdat ze hun bestaande infrastructuur kunnen behouden en eenvoudigweg een correctielaag kunnen toevoegen.

Het weerspiegelt ook een breder patroon in toegepast machinaal leren: nabewerking en kalibratie leveren vaak winst op die anders een volledige herbewerking van het model zou vereisen. Voor weerdiensten die afwegen waar ze beperkte budgetten aan moeten besteden, zal een methode die aantoonbaar het moeilijkste voorspellingsbereik verbetert – zowel gevalideerd in Nature als in een live ECMWF-wedstrijd – waarschijnlijk de aandacht trekken.

Wat komt er daarna voor sub-seizoensgebonden AI

De blogpost van Microsoft stopt met het aankondigen van een operationeel product, en het bedrijf heeft niet gezegd of PBC zal worden geïntegreerd in commerciële voorspellingsaanbiedingen. De test op de korte termijn is of nationale weerdiensten bias-correctielagen zoals PBC beginnen te gebruiken voor hun vooruitzichten voor het mindere seizoen, en of deze aanpak goed aansluit bij de AI-voorspellingsmodellen die nu operationeel worden.

Als dat zo is, kan de periode van twee tot zes weken – het tijdsbestek waar boeren, netwerkbeheerders en rampenplanners historisch gezien het minst mee te maken hebben gehad – eindelijk gaan sluiten. Voor een vakgebied dat tientallen jaren heeft gejaagd op marginale vooruitgang in vaardigheden, is het een pragmatische vorm van vooruitgang om een ​​klein machinaal leersysteem de systematische fouten van gigantische fysieke modellen te laten opruimen.

---

Blijf AI een stap voor

Ontvang het laatste AI-nieuws, analyses en doorbraken – allemaal op één plek.

Lees meer AI-nieuws →