SIGMAformer: een spatiotemporele Gaussiaanse mengcorrelatie-transformer voor wereldwijde weersvoorspelling

Waarom slimmere weersvoorspellingen ertoe doen

Van hittegolven tot plotselinge windstormen: extreem weer beïnvloedt het dagelijks leven, energiegebruik en veiligheid wereldwijd. Moderne computermodellen simuleren de atmosfeer al in indrukwekkend detail, maar ze kunnen duur zijn om te draaien en missen soms scherpe lokale veranderingen. Dit artikel presenteert een nieuwe kunstmatige-intelligentiebenadering die direct leert van duizenden grondstations om wereldwijde voorspellingen van wind en temperatuur nauwkeuriger en informatiever te maken, vooral wanneer het weer onstuimig wordt.

Van ruwe stationgegevens naar wereldwijde inzichten

Traditionele weersvoorspelling vertrouwt op fysische modellen die complexe vergelijkingen oplossen op een vaste grid. Tegelijkertijd stromen miljoenen metingen binnen van stations die ongelijkmatig over de globe verspreid liggen. Deze stationgegevens vangen lokale eigenaardigheden zoals bergwinden of stedelijke hitte, maar ze zijn moeilijk samen te voegen tot één samenhangend beeld. Veel recente machine learning-systemen kunnen óf grootschalige atmospherische patronen óf lokale details verwerken, maar vaak worstelen ze ermee beide tegelijk te vangen, en ze gedragen zich meestal als zwarte dozen met weinig uitleg over waarom ze een bepaalde voorspelling doen.

Een nieuwe manier om gedeelde patronen te ontdekken

De auteurs introduceren SIGMAformer, een voorspellingsarchitectuur ontworpen om te leren hoe het weer op duizenden locaties in de tijd meebeweegt. Centraal staat een patroonzoeker die vergelijkbare vormen in de data groepeert, zoals terugkerende schommelingen in windsnelheid of temperatuur, in een handvol representatieve patronen. In plaats van elk station en elk uur apart te behandelen, leert het model welk patroon waar en wanneer actief is. Deze patronen sturen vervolgens een tweede deel van het systeem dat meer aandacht schenkt aan de meest relevante momenten en plaatsen, terwijl ruis of onbruikbare signalen worden onderdrukt. Deze gerichte focus stelt het model in staat om verre regio’s te koppelen die vaak gedeeld weergedrag vertonen, zoals delen van Oost-Azië en Noord-Amerika die verbonden zijn door de straalstroom.

Het weer volgen door ruimte en tijd

Om SIGMAformer te testen trainden de auteurs het op twee jaar aan uurlijkse windsnelheid- en temperatuurgegevens van 3850 stations wereldwijd. Ze vergeleken de prestaties met zowel standaard statistische methoden als toonaangevende deep learning-modellen, gebruikmakend van gangbare maatstaven voor voorspellingskwaliteit. Over de hele linie produceerde SIGMAformer de laagste fouten voor beide variabelen, met bijzonder duidelijke winst voor windsnelheid, die doorgaans grilliger is dan temperatuur. Wanneer de onderzoekers belangrijke onderdelen van het ontwerp verwijderden, zoals de module die veranderende koppelingen tussen stations leert, daalde de prestatie merkbaar, wat aantoont dat deze componenten cruciaal zijn voor de vaardigheid van het model.

Inzicht in hoe het model “denkt”

Buiten de ruwe nauwkeurigheid toont de studie dat SIGMAformer een venster biedt in hoe het de atmosfeer interpreteert. Het model produceert kaarten en grafieken die onthullen welke stations en tijdsperioden het het belangrijkst vond voor een gegeven voorspelling. Voor temperatuur benadrukte het zowel nabijgelegen stations als verre regio’s waarvan bekend is dat ze verbonden zijn door grootschalige klimaatpatronen. Voor wind concentreerde het zich op kortere afstands- en sneller bewegende signalen die overeenkomen met bekend gedrag van straalstromen en planetaire golven. Deze visuele patronen suggereren dat het systeem niet simpelweg de data memoriseert, maar zich afstemt op erkende fysieke processen, wat meteorologen kan helpen het vertrouwen in en de verfijning van de uitkomsten te vergroten.

Wat dit betekent voor toekomstige weerinstrumenten

Al met al concluderen de auteurs dat SIGMAformer een veelbelovende stap is richting datagedreven weersystemen die detail, schaal en interpretatievermogen combineren. Het vereist wel meer rekentijd dan sommige andere neurale netwerken, omdat het expliciet relaties over duizenden stations bijhoudt. In ruil levert het echter nauwkeurigere voorspellingen, betere detectie van extreme warmte en sterke winden, en helderdere aanwijzingen waarom die voorspellingen werden gemaakt. Naarmate de aanpak wordt uitgebreid met meer weerparameters en geoptimaliseerd voor snellere werking, kan het een nuttige bouwsteen worden voor realtime waarschuwingssystemen en voor het samenvoegen van informatie van vele verschillende omgevingssensoren tot één samenhangend beeld van de veranderende atmosfeer.

Bronvermelding: Kim, DY., Suk, HI. SIGMAformer: a spatiotemporal Gaussian mixture correlation transformer for global weather forecasting. npj Clim Atmos Sci 9, 113 (2026). https://doi.org/10.1038/s41612-026-01385-w

Trefwoorden: weervoorspelling, machine learning, windsnelheidvoorspelling, temperatuurvoorspelling, sensornetwerken