Machine learning helpt onzekerheid over toekomstige opwarming sterk te verkleinen

Waarom dit belangrijk is voor onze toekomst

Wanneer wetenschappers inschatten hoeveel de planeet zal opwarmen, blijft het spectrum aan mogelijke toekomsten groot, en die onzekerheid beïnvloedt alles van kustplanning tot energiebeleid. Deze studie toont aan dat krachtige computerleertechnieken veel meer informatie uit de reeds waargenomen opwarming kunnen halen, waardoor het bereik van waarschijnlijke toekomstige temperaturen sterk wordt verkleind. Dat leidt tot helderdere aanwijzingen over hoe snel we mogelijke internationaal vastgestelde klimaattoetsen zoals 1,5 °C en 2 °C wereldwijde opwarming kunnen passeren.

Voorbij het mondiale gemiddelde kijken

Tot nu toe leunden de meeste pogingen om toekomstige opwarmingsprojecties te verfijnen zwaar op één getal: de stijging van de gemiddelde oppervlaktetemperatuur van de planeet. Maar globale opwarming is niet uniform. Sommige regio’s, zoals het Noordpoolgebied en delen van de tropen, warmen veel sneller op dan andere. De auteurs betogen dat deze geografische verschillen waardevolle aanwijzingen bevatten die grotendeels worden genegeerd wanneer we ons alleen op het wereldgemiddelde richten. Zij gebruiken een vorm van machine learning om de volledige wereldkaart van temperatuurtrends over de afgelopen 50 jaar te lezen en die patronen te koppelen aan het bereik van opwarmingsuitkomsten dat voortkomt uit tientallen klimaatmodellen.

Een computer leren van vroegere opwarming

Het team traint een leeralgoritme op simulaties van veel klimaatmodellen die deelnamen aan een groot internationaal vergelijkingsproject. Voor elke modelrun voeren ze het opwarmingspatroon van 1971 tot 2020 in op elk roosterpunt van de aarde en vragen ze het algoritme te voorspellen hoeveel het model globaal opwarmt in drie toekomstige tijdvensters: korte termijn (2021–2040), midden van de eeuw (2041–2060) en laat in de eeuw (2081–2100), onder verschillende emissiescenario’s. Door dit te herhalen over honderden simulaties leert het systeem welke delen van de wereldwijde vroegere opwarmingspatronen het nauwst samenhangen met de uiteindelijke wereldwijde temperatuurstijging, en hoe sterk die verbanden zijn.

Belangrijke regio’s vinden die de toekomst vormen

Het leersysteem ontdekt consequent dat bepaalde regio’s veel zwaarder wegen dan hun omvang doet vermoeden bij het bepalen van toekomstige mondiale opwarming. Daartoe behoren het Noordpoolgebied, het Tibetaanse Hoogland, Zuid- en Zuidoost-Azië, het Amazonebekken en delen van de Indische en Zuidelijke Oceaan. In deze gebieden schaalt lokale opwarming doorgaans op een stabiele manier met het mondiale gemiddelde door de tijd en over scenario’s heen, wat wijst op sterke en aanhoudende klimaatfeedbacks zoals verlies van reflecterend ijs of veranderingen in wolken. Het algoritme kent van nature meer gewicht toe aan roosterpunten waar verschillende klimaatmodellen overeenkomen over de gevoeligheid van temperaturen, en speelt locaties met grotere modeldivergentie naar beneden, zoals delen van het Euraziatische Noordpoolgebied met onzekere zeewijngedragingen.

Scherpere projecties en eerdere drempels

Wanneer de aangeleerde relaties worden toegepast op daadwerkelijk waargenomen opwarmingskaarten uit meerdere temperatuurdatasets, krimpt de onzekerheid in toekomstige mondiale opwarming aanzienlijk. Gemiddeld over scenario’s en tijdvakken verlaagt de methode de foutvariantie met meer dan 70% vergeleken met onbeperkte modelprojecties—ongeveer anderhalf keer de verbetering die wordt bereikt door methoden die alleen de mondiale gemiddelde trend gebruiken. Belangrijk is dat deze aanpak zowel de hoge als de lage uiteinden van het bereik verkleint, zodat we minder geneigd zijn toekomstige opwarming te overschatten of te onderschatten. Voor een midden- tot hoogemissiescenario dat vaak wordt gebruikt in effectstudies, vindt de studie dat de kans om tegen de midden van de eeuw de 2 °C opwarming te overschrijden stijgt tot ongeveer 80% zodra ruimtelijke informatie wordt meegenomen, vergeleken met ongeveer 70% wanneer alleen de mondiale gemiddelde trend wordt gebruikt.

Wat dit betekent voor mensen en planning

De verfijnde projecties verscherpen niet alleen de schattingen van mondiale temperatuurstijging; ze verbeteren ook lokale opwarmingskaarten die worden gebruikt voor impactbeoordelingen. Over het grootste deel van het land neemt de spreiding in geprojecteerde opwarming halverwege de eeuw ten opzichte van vandaag met enkele tientallen procenten af, wat preciezere schattingen oplevert voor landbouw, watervoorziening, gezondheidsrisico’s en infrastructuurplanning. Tegelijkertijd benadrukken de verhoogde ondergrenzen van opwarming dat sleutel­drempels van het Parijse Akkoord waarschijnlijk eerder worden overschreden dan sommige eerdere beperkte schattingen suggereerden. In praktische termen laat dit werk zien dat slimmer gebruik van bestaande temperatuurrecords—vooral in een handvol klimatologisch gevoelige regio’s—ons beeld van de klimaattoekomst aanzienlijk kan verscherpen en het pleidooi voor snellere en gerichtere mitigatie en adaptatie kan versterken.

Bronvermelding: Li, C., Wu, J., Wang, Z. et al. Machine learning helps to strongly reduce future warming uncertainty. Nat Commun 17, 3366 (2026). https://doi.org/10.1038/s41467-026-70205-9

Trefwoorden: projecties van opwarming van de aarde, machine learning klimaat, opwarmingspatronen, klimaatonzekerheid, Parijse Akkoord drempels