Google heeft zijn AI weather model WeatherNext naar versie 3 gebracht. De belangrijkste wijziging is dat het model nu niet alleen leunt op reanalyses, maar ook op ruwe satellietdata en daardoor vaker nieuwe voorspellingen kan maken. Volgens Google en een white paper levert dat betere forecast accuracy op, al zijn er ook enkele opvallende afwijkingen in de resultaten.

Meer technologienieuws vind je op de TostieTech Tech-nieuwspagina.
Wat betekent de AI weather model?
De kern van de update is dat WeatherNext 3 nu een deel van zijn invoer direct uit weersatellieten haalt. Tot nu toe vertrouwden veel AI-weermodellen vooral op reanalyses: samengestelde, globale weerssnapshots die verschillende meetbronnen combineren tot één consistente dataset. Dat is handig voor training, maar het kost tijd om die datasets op te bouwen en ze verschijnen doorgaans maar eens per zes uur.
Door ook ruwe satellietdata te gebruiken, verkleint Google de vertraging tussen de actuele situatie in de atmosfeer en het moment waarop een nieuwe voorspelling wordt berekend. Het model kan daardoor nu elk uur een nieuwe forecast genereren. Dat is een belangrijk verschil met eerdere AI-systemen die volledig op reanalyses draaiden en dus minder dicht op de actualiteit zaten.
Betere forecast accuracy op meerdere onderdelen
Volgens de white paper van Google levert WeatherNext 3 meetbare verbeteringen op tegenover WeatherNext 2. Zo meldt het bedrijf ongeveer 5 procent betere nauwkeurigheid in de bovenste atmosfeer, wat het zelf vertaalt naar circa zes extra uren bruikbare voorspellingstijd. Ook de manier waarop het model oppervlaktetemperatuur voor een specifieke locatie berekent, is aangepast. Daarbij kijkt het systeem nu expliciet of een punt boven land of zee ligt en gebruikt het de hoogte van het oppervlak.
Dat detail klinkt klein, maar Google zegt dat deze aanpak de nauwkeurigheid op dat onderdeel tot 30 procent verbetert. Daarnaast is de ruimtelijke resolutie verhoogd en is het model groter geworden, al heeft Google daarbij ook procesaanpassingen moeten doen om de extra rekeneisen in toom te houden. Er is bovendien een apart machine-learningmodel toegevoegd voor neerslagschattingen op basis van satellietgegevens, waardoor er nu meerdere neerslagvoorspellingen beschikbaar zijn.
Niet alles is perfect in de resultaten
De vergelijking met WeatherNext 2 en het AI-model van het European Centre for Medium-Range Weather Forecasts (ECMWF) laat volgens Google in meerdere gevallen betere scores zien. Toch noemt de white paper ook enkele vreemde uitkomsten. Voor bepaalde variabelen doet WeatherNext 3 het in de eerste zes uur juist slechter dan de andere modellen, om daarna in een forecast van 15 dagen weer voorbij te gaan.
Ook zijn er visuele artefacten zichtbaar in sommige voorspellingen, zoals hexagonale patronen in neerslagkaarten. Daarnaast kunnen de meerdere temperatuurvoorspellingen die bedoeld zijn om onzekerheid weer te geven, soms leiden tot wereldgemiddelden die wat hoger of lager uitvallen dan verwacht. Dat zijn geen doorslaggevende problemen, maar wel een teken dat de methode nog geen perfecte natuurkundige simulatie is.
Waar Google WeatherNext 3 inzet
Google zegt dat WeatherNext 3 inmiddels de bron is voor weersinformatie in onder meer Search, Gemini en Maps. Daarmee krijgt de update direct invloed op de weerdata die gebruikers in Google-diensten zien.
De bredere betekenis zit vooral in de manier waarop AI-weermodellen zich ontwikkelen. Waar eerdere versies vooral leunden op bestaande samengestelde datasets, laat Google nu zien dat meer directe observatiedata een AI-model dichter bij traditionele weersmodellen kan brengen. Dat maakt de voorspellingen niet per se fysiek explicieter, maar wel meer gebaseerd op actuele metingen in plaats van alleen op een ingestroomde analyse.
TostieTech duiding
De update van WeatherNext 3 is vooral interessant omdat Google een zwakke plek van veel AI-weermodellen aanpakt: de afhankelijkheid van reanalyses. Die datasets zijn nuttig en consistent, maar hebben altijd een vertraging en missen soms detail uit de oorspronkelijke metingen. Door satellietdata direct mee te nemen, verkort Google de stap tussen werkelijkheid en voorspelling.
Dat betekent niet dat WeatherNext 3 ineens een klassiek fysisch weermodel wordt. Het blijft een machine-learningmodel met de bekende beperkingen van een deels zwarte doos. Juist daarom zijn de verbeteringen in lokale temperatuur en bovenlucht opvallend: ze laten zien dat extra, gerichte invoer echt verschil kan maken.
Tegelijk maken de genoemde artefacten duidelijk dat het model nog niet volledig vrij is van eigenaardigheden. Voor consumenten is dat vooral relevant omdat de uitkomst van een weerkaart steeds vaker uit AI komt, ook in diensten die als simpel en betrouwbaar ogen. De kwaliteit van die voorspellingen hangt dus minder af van één groot model en meer van de gebruikte brondata, de frequentie van updates en de manier waarop onzekerheid wordt gemodelleerd.
Bron: Ars Technica
