Voorspelling van de wereldwijde temperatuurafwijking met behulp van additieve twin‑LSTM‑netwerken

Waarom een warmere wereld voor jou van belang is

Opwarming van de aarde kan abstract klinken, maar de gevolgen zijn dat allerminst: stijgende zeespiegels, hevigere hittegolven, veranderende stormpatronen en druk op voedsel‑ en watervoorraden. Om zich voor te bereiden op wat komen gaat, hebben wetenschappers niet alleen momentopnamen van het huidige klimaat nodig, maar ook betrouwbare schattingen van hoe snel de temperaturen de komende decennia zullen stijgen. Dit artikel onderzoekt een nieuwe manier om kunstmatige intelligentie te gebruiken om te voorspellen hoe veel warmer de planeet waarschijnlijk wordt en wat dat betekent voor onze nabije toekomst.

Van ruwe thermometers naar grootbeeldtrends

In plaats van te werken met weerberichten uit één stad, gebruiken de onderzoekers een wereldwijde dataset die bekendstaat als de Berkeley Earth temperature anomaly dataset. Een “temperatuursafwijking” is simpelweg hoeveel warmer of kouder een bepaalde periode is vergeleken met een gekozen historische referentieperiode. Omdat maand‑tot‑maandmetingen ruisig zijn en sterk door lokale eigenaardigheden worden beïnvloed, vertrouwt het team op vijfjaarsgemiddelden die 170 jaar bestrijken, van het midden van de 19e eeuw tot 2022. Het gladstrijken van de gegevens op deze manier vermindert willekeurige schommelingen en legt de onderliggende opwarmingstrend beter bloot die de langetermijnreactie van de planeet op broeikasgassen en andere invloeden weerspiegelt.

Een neuraal netwerk leren het klimaat te onthouden

Om die trend vast te leggen en vooruit te projecteren, wenden de auteurs zich tot een soort kunstmatig neuraal netwerk dat Long Short‑Term Memory, of LSTM, heet. LSTM's zijn ontworpen om met reeksen om te gaan — zoals woorden in een zin of temperaturen in de tijd — door te beslissen welke stukjes uit het verleden bewaard moeten blijven en welke genegeerd kunnen worden. Traditionele LSTM‑ en verwante modellen doen het goed bij kortetermijnvoorspellingen, bijvoorbeeld het raden van het volgende datapunt. Maar wanneer hun eigen schattingen als input worden teruggevoerd om vele stappen in de toekomst te voorspellen, stapelen kleine fouten zich op en kan het langetermijnbeeld sterk afwijken van de werkelijkheid.

Klimaatsignalen opsplitsen in tweelingstromen

De centrale innovatie van dit werk is een Additive Twin LSTM (AT‑LSTM). In plaats van één LSTM die probeert elke wending in het klimaatarchief na te bootsen, gebruikt het model twee parallelle LSTM‑takken. Elke tak kan zich richten op verschillende verborgen aanjagers in de gegevens — bijvoorbeeld langzame opwarming door broeikasgassen versus snellere op‑en‑neerbewegingen gekoppeld aan natuurlijke klimaatschommelingen. De uitvoer van deze tweelingtakken wordt vervolgens bij elkaar opgeteld en doorgegeven aan een laatste “decoder”‑netwerk dat hun gecombineerde signaal in een voorspelling van de temperatuursafwijking omzet. Dit tweelingontwerp sluit niet alleen aan bij hoe klimaatspecialisten denken over meerdere, deels onafhankelijke processen in het aardesysteem, het vergroot ook het bruikbare bereik van de interne signalen van het netwerk, waardoor het over lange voorspellingshorizonten stabieler blijft.

Het model op de proef stellen

Om te onderzoeken of AT‑LSTM daadwerkelijk de langetermijnvoorspelling verbetert, voeren de auteurs een tweefasige test uit. Eerst trainen ze het model op zowel synthetische benchmarkreeksen — schone, door de computer gegenereerde curven die verschillende typen opwarmingspaden nabootsen — als op de historische Berkeley‑gegevens. Ze vergelijken hoe goed verschillende neurale‑netwerkontwerpen zowel hun trainingsgegevens als een aparte “test”‑sectie van elke reeks reproduceren die de modellen tijdens de training nooit hebben gezien. Veel modellen, inclusief sommige hybriden die LSTM's met convolutionele lagen combineren, zien er indrukwekkend uit volgens deze standaardmaten. Echter, het reproduceren van verleden data is niet hetzelfde als betrouwbaar in de toekomst kijken.

Modellen beoordelen op hun voorspellingen, niet alleen op fit

De tweede fase komt dichter bij echt gebruik. Beginnend vanaf het laatst waargenomen punt in de testset, gebruikt elk model zijn eigen vorige voorspelling als de volgende input en loopt 240 maanden — 20 jaar — vooruit zonder ooit door echte data te worden gecorrigeerd. Deze opzet toont hoe snel fouten zich opstapelen. Over een reeks architecturen laat AT‑LSTM doorgaans de kleinste gemiddelde voorspellingsfouten en de hoogste statistische scores zien bij deze langetermijnopdracht. Voor de wereldwijde temperatuursafwijkingsreeks in het bijzonder bedraagt de typische fout van het model over een gesimuleerd 20‑jaarsvoorspellingsvenster ongeveer 0,07 graden Celsius, aanzienlijk lager dan die van veel concurrerende deep‑learningbenaderingen.

Wat de voorspelling zegt over onze nabije toekomst

Gewapend met dit beter‑gedragende model genereren de auteurs 20‑jaarsprojecties voor wereldwijde temperatuursafwijkingen van 2022 tot 2042. Door 40 versies van AT‑LSTM te trainen om de onzekerheid in het leerproces van het model vast te leggen, constateren ze dat elk van deze versies wijst op aanhoudende opwarming. Tegen 2042 clusteren de ensemblevoorspellingen tussen ongeveer 1,05 °C en 1,67 °C boven de historische referentie, met een gemiddelde van 1,415 °C en een geschatte onzekerheid van ongeveer ±0,073 °C. Deze cijfers komen goed overeen met projecties van gangbare klimaatmodellen en met waarschuwingen van organisaties zoals het Intergovernmental Panel on Climate Change. In gewone taal: als de huidige patronen zich voortzetten, lopen we waarschijnlijk tegen of over de veelbesproken 1,5 °C‑drempel binnen enkele decennia, wat het dringende belang benadrukt van het verminderen van broeikasgasemissies en het nastreven van andere klimaatmitigerende maatregelen.

Bronvermelding: Keles, C., Baran, B. & Alagoz, B.B. Global temperature anomaly prediction by using additive twin LSTM networks. Sci Rep 16, 6456 (2026). https://doi.org/10.1038/s41598-026-37255-x

Trefwoorden: klimaatverandering, opwarming van de aarde, temperatuursafwijking, neurale netwerken, klimaatvoorspelling