AIFS-CRPS: ensemblevoorspelling met een model getraind met een verliesfunctie gebaseerd op de continuous ranked probability score

Waarom slimmere weerkansen voor jou van belang zijn

Als je de weersverwachting bekijkt, zie je meestal een enkele voorspelling: regen of zon, warm of koud. De atmosfeer is echter chaotisch, en wat echt telt is het scala aan mogelijke uitkomsten—vooral bij stormen, hittegolven of patronen die weken aanhouden en invloed hebben op gewassen, reizen en energiegebruik. Dit artikel presenteert een nieuw AI-gebaseerd voorspellingssysteem, AIFS‑CRPS, dat niet alleen morgendagn’s weer raadt; het schat de kansen op vele verschillende toekomsten, vaak nauwkeuriger en efficiënter dan de beste fysica-gebaseerde supercomputermodellen van vandaag.

Van enkele antwoorden naar een reeks mogelijkheden

Traditionele weermodellen gebruiken natuurkundige wetten om de atmosfeer meerdere keren te simuleren met licht verschillende beginsituaties. Gezamenlijk geven deze “ensemble”voorspellingen een kansverdeling: hoe waarschijnlijk is zware regen, of een koude periode? Vroege machine-learning-weermodellen, daarentegen, werden getraind om de gemiddelde fout in een enkele voorspelling te minimaliseren, wat hen aanzette kleine, scherpe kenmerken zoals intense stormen weg te middelen. Ze konden opmerkelijk nauwkeurig zijn op gewone dagen, maar hadden moeite met het representeren van onzekerheid en dempten vaak extremen. AIFS‑CRPS is ontworpen om deze kloof te dichten door probabilistische voorspellingen direct te maken, zodat onzekerheid in het model ingebouwd is in plaats van er achteraf aan vastgemaakt te worden.

Een AI die leert eerlijk onzeker te zijn

AIFS‑CRPS is een ensemblevariant van het Artificial Intelligence Forecasting System van ECMWF. In plaats van te leren één beste-ruiktoekomst te benaderen, leert het vele plausibele toekomsten te genereren uit één enkel AI-model door zorgvuldig gevormde willekeurige ruis toe te voegen aan zijn interne representatie van de atmosfeer. De sleutelinnovatie zit in de manier van trainen: het model wordt geoptimaliseerd met behulp van een statistische maatstaf genaamd Continuous Ranked Probability Score (CRPS), die voorspellingsverdelingen beloont die hoge waarschijnlijkheid toekennen aan wat daadwerkelijk gebeurt en zowel gemiste gebeurtenissen als overmoed bestraft. De auteurs introduceren een “bijna eerlijke” variant van deze score die corrigeert voor bias door een beperkte ensemblesize, terwijl numerieke pathologieën worden vermeden die anders de training op moderne hardware zouden verstoren.

Scherpere details die niet wegvlakken

Een van de belangrijkste toetsen voor elk ensemble-systeem is of het realistische variabiliteit behoudt naarmate de voorspelling van uren naar dagen reikt. In zij-aan-zijvergelijkingen verloor een eerder AI-systeem dat met een standaard mean-squared-error verlies was getraind geleidelijk kleine-schaalstructuur, waardoor kaarten met toenemende voertijd vervaagden. Daarentegen behoudt AIFS‑CRPS details en energie over schalen, dichterbij wat wordt gezien in referentieanalyses en geavanceerde fysica-gebaseerde modellen. De auteurs pakken een vroege neiging van het model aan om te veel fijne-ruis te laten groeien door het referentieveld dat tijdens training gebruikt wordt te ‘trunceren’—de allerkleinste rimpels uit de vorige stap verwijderen zodat de AI deze niet simpelweg versterkt—maar zonder echte kleine-weersverschijnselen te dempen. Dit evenwicht is cruciaal om intense stormen en andere gebeurtenissen met grote impact te representeren.

Beter dan state-of-the-art voor dagen tot weken

Het team evalueert AIFS‑CRPS tegen het hogeresolutie Integrated Forecasting System (IFS)-ensemble van het ECMWF. Voor voorspellingen tot 15 dagen scoort het AI-ensemble beter voor veel belangrijke variabelen, zoals temperaturen nabij het oppervlak en op 850 hPa, winden op straalstroomniveau en drukpatronen in de midden-troposfeer. Afhankelijk van de variabele bereiken verbeteringen in standaard probabilistische en foutmaten vaak 5–20 procent. Het AI-ensemble vertoont soms «over-dispersie»—de ensembleleden zijn meer verspreid dan strikt noodzakelijk volgens hun gemiddelde fout—maar dit is grotendeels een bijeffect van het gebruik van initiële-conditieperturbaties die zijn afgestemd op het fysica-model en niet op de veel lagere fout van het AI-systeem. Op langere, subseizoensele leads van twee tot zes weken evenaart of overtreft het AI-systeem—ondanks dat het alleen getraind is op voorspellingen tot 72 uur—de IFS voor veel oppervlakte- en troposferische velden wanneer ruwe voorspellingen worden beschouwd, en blijft het concurrerend wanneer biases worden verwijderd en alleen anomaliescore wordt meegeteld.

Het trage ritme van de tropen volgen

Een kritische test voor subseizoensvoorspelling is de Madden–Julian Oscillation (MJO), een langzaam bewegend patroon van tropische verstoringen dat invloed kan hebben op moessons, stormen en zelfs het weer op middenbreedten. Met behulp van een standaardindex gebaseerd op windanomalieën tonen de auteurs aan dat AIFS‑CRPS MJO-voorspellingen produceert met hogere correlaties en lagere fouten dan het IFS-ensemble over een meerjarige testperiode. Belangrijk is dat de spreiding van het AI-ensemble de typische voorspellingsfout zeer nauw benadert, een kenmerk van een goed gekalibreerd probabilistisch systeem. In een casestudy beeldt de AI het groeien en oostwaarts voortschrijden van een grote MJO-gebeurtenis getrouwer af dan het fysica-model, dat de sterkte vaak onderschat en te snel naar neutrale condities terugkeert.

Wat dit betekent voor alledaags weer en verder

Voor niet-specialisten is de kernboodschap dat AI nu meer kan dan alleen snelle, fraai ogende weerkaarten leveren. Systemen zoals AIFS‑CRPS kunnen de kansen op verschillende uitkomsten kwantificeren—hoe waarschijnlijk het is dat een hittegolf aanhoudt, of een stormbaan kan verschuiven, of hoe stabiel een meerweekse patroon kan zijn—vaak even goed als, of beter dan, de meest geavanceerde fysica-gebaseerde modellen van vandaag, en tegen een fractie van de rekencapaciteit. Uitdagingen blijven bestaan, zoals het verbeteren van prestaties in de stratosfeer en het verfijnen van de behandeling van extremen, maar dit werk laat zien dat probabilistische training AI kan omvormen tot een daadwerkelijk bruikbaar hulpmiddel voor risicobewuste weer- en klimaatdiensten. In de praktijk betekent dat meer informatieve voorspellingen voor overheden, bedrijven en het publiek wanneer het het belangrijkst is.

Bronvermelding: Lang, S., Alexe, M., Clare, M.C.A. et al. AIFS-CRPS: ensemble forecasting using a model trained with a loss function based on the continuous ranked probability score. npj Artif. Intell. 2, 18 (2026). https://doi.org/10.1038/s44387-026-00073-7

Trefwoorden: AI-weerforecasting, ensemblevoorspelling, probabilistische voorspellingen, subseizoensvoorspelling, Madden–Julian Oscillation