Sneeuw of regen? hybride AI ontcijfert de neerslagfase aan het oppervlak uit satellietwaarnemingen

Waarom het uitmaakt of stormen sneeuw of regen brengen

Wanneer een winterstorm arriveert, kan het verschil tussen sneeuw en regen het verschil betekenen tussen een schilderachtige sneeuwval en een gevaarlijke ramp. Plotselinge overgangen van sneeuw naar regen kunnen bergsneeuwlagen destabiliseren en lawines veroorzaken, terwijl koude periodes die regen in zware sneeuw veranderen wegen, elektriciteitslijnen en bevoorradingsketens kunnen lamleggen. Toch hebben we in veel van de regio’s die het meest risico lopen — afgelegen bergen en hoge breedtegraden — maar weinig grondinstrumenten die ons vertellen wat daadwerkelijk het oppervlak bereikt. Deze studie introduceert een nieuw kunstmatig-intelligentiesysteem dat satellietbeelden en atmosferische voorspellingen samenlezend bijna in real time bepaalt of de neerslag aan de grond sneeuw of regen is.

Leemtes in het vanuit de ruimte volgen van winterstormen

Moderne weersatellieten kunnen al inschatten waar het wereldwijd regent of sneeuwt, maar de huidige producten komen vaak met vertragingen van vier uur of meer en vervagen snel veranderende omstandigheden. Bestaande systemen zoals de veelgebruikte GPM IMERG-kaarten combineren veel satellietsensoren en traditionele voorspellingsmodellen, wat tijd kost en de fijnmazigheid waarmee ze stormen volgen beperkt. Ze hebben ook moeite in gebieden met steil terrein en weinig weerstations, zoals het Tibetaanse Plateau of binnenlandse bergketens, waar het exact weten van de mix van sneeuw en regen cruciaal is voor lawinebepaling, overstromingsvoorspellingen en verkeersveiligheid.

Een hybride AI die satellieten en digitale atmosfeer versmelt

De auteurs presenteren RePPIC-Net, een “hybride” AI-framework ontworpen om deze kloof te dichten. Het verwerkt twee hoofdgegevensstromen. De ene komt van China’s Fengyun-4B geostationaire weersatelliet, die voortdurend hetzelfde halfrond observeert en elke 15 minuten gedetailleerde wolkentoptemperaturen en wolkenpatronen levert met een resolutie van ongeveer 5 kilometer. De tweede stroom komt van FuXi, een nieuw AI-gebaseerd globaal weervoorspellingssysteem dat binnen enkele seconden driedimensionale velden van temperatuur en vochtigheid door de atmosfeer heen produceert. RePPIC-Net combineert deze perspectieven: satellietbeelden tonen waar wolken en neerslagclusters zich bevinden, terwijl FuXi’s verticale profielen de thermodynamische toestand van de lucht beschrijven, die sterk bepaalt of vallende deeltjes onderweg smelten tot regen of als sneeuw blijven vallen.

Hoe het systeem leert sneeuw en regen te zien

Om te bepalen wat het oppervlak bereikt, gebruikt RePPIC-Net een bekende grootheid uit de weerkunde: de natteboltemperatuur, die weerspiegelt hoe koud een regen druppel kan worden door verdamping. Deze temperatuur is de meest betrouwbare enkele indicator of neerslag vloeibaar of vast zal zijn. Het model schat de natteboltemperatuur nabij het oppervlak uit de velden van FuXi, aangepast voor de lokale terreinhoogte, en zet die om in een waarschijnlijkheid dat de neerslag vloeibaar is. Parallel daaraan analyseren deep-learningnetwerken genaamd UNet en ResUNet de satellietbeelden en atmosferische variabelen om te bepalen waar neerslag überhaupt plaatsvindt en om de intensiteit ervan te schatten. Een laatste naverwerkingsstap mengt deze waarschijnlijkheden en intensiteiten, corrigeert systematische biases en produceert elke 15 minuten een wereldwijde kaart die regen en sneeuw onderscheidt.

Hoe goed het werkt in echte stormen

Het team testte RePPIC-Net met gegevens van meer dan 2.000 grondweerstations verspreid over China en vergeleek de prestaties met bestaande satellietproducten. Over het geheel genomen detecteert het nieuwe systeem regenval ongeveer even goed als de huidige standaard en vertoont het kleinere systematische fouten in zowel regen- als sneeuwhoeveelheden. In het cruciale bereik van lichte tot matige neerslag — waar sneeuw vaak samenhangt met zware stormen en sneeuwstormen — is het bijzonder vaardig. Voor dit bereik herkent RePPIC-Net sneeuwval nauwkeuriger en biedt het een duidelijkere scheiding tussen sneeuw en regen, vooral tijdens snel evoluerende gebeurtenissen. Casestudies van een grote gemengde sneeuw–regenstorm in het noordoosten van China in 2023 en een sneeuwval boven het Tibetaanse Plateau laten zien dat het systeem blizzardzones en bergsneeuw beter lokaliseert dan huidige operationele datasets, dankzij de fijnere resolutie en het gebruik van 3D-atmosferische informatie. Het behoudt ook veel van zijn vaardigheid wanneer het gestuurd wordt door korte termijn satellietvoorspellingen, waardoor 1–3 uur nowcasts van regen–sneeuwpatronen mogelijk zijn.

Wat dit betekent voor dagelijkse impacten

Voor niet-specialisten is de belangrijkste uitkomst dat RePPIC-Net bijna in real time kan aangeven of een storm sneeuw of regen aan de grond brengt over uitgestrekte, gegevensarme gebieden. Door de vertraging van bestaande wereldwijde producten terug te brengen van uren tot ongeveer twee minuten verwerkingstijd, en door te verbeteren hoe goed sneeuwval wordt gedetecteerd, biedt het systeem een krachtig nieuw instrument voor vroege waarschuwingen voor sneeuwstormen, ijzel en regen-op-sneeuwgebeurtenissen die het risico op lawines en overstromingen verhogen. De auteurs zien hun aanpak als een blauwdruk voor toekomstige weermonitoring: het combineren van snelle AI-gestuurde voorspellingen met constante satellietobservatie om gevaarlijk winterweer preciezer te volgen in een opwarmend klimaat.

Bronvermelding: Yang, C., Li, H., Zhu, R. et al. Snow or rain? hybrid AI deciphers surface precipitation phase from satellite observations. Nat Commun 17, 2813 (2026). https://doi.org/10.1038/s41467-026-69487-w

Trefwoorden: sneeuw versus regen, satellietneerslag, weernowcasting, kunstmatige intelligentie in meteorologie, gevaren bij winterstormen