Google's WeatherNext voorspelt stormen met grove data — en niemand weet precies hoe

TL;DR

• Wat: Google DeepMind heeft WeatherNext open-source gemaakt — een AI-model dat het pad én de intensiteit van cyclonen voorspelt met 100x grovere data dan traditionele modellen.
• Waarom relevant: Betere weersvoorspellingen raken direct aan logistiek, verzekeringen en operationele planning van bedrijven.
• Wat je ermee kunt: Volg of jouw sector (transport, agri, events) al gebruikmaakt van AI-weermodellen — de drempel daalt snel.

Ik viel over een bericht van WIRED waarin Google DeepMind's WeatherNext wordt beschreven als een model dat nauwkeurig stormen voorspelt met opvallend weinig detail in de invoerdata. En dat de onderzoekers zélf niet helemaal begrijpen hoe het dat doet. Dat vond ik interessant genoeg om uit te zoeken wat hier precies speelt — en wat het betekent als je een bedrijf runt.

Wat WeatherNext doet

WeatherNext is een AI-model van Google DeepMind en Google Research dat het pad, de intensiteit én de windstructuur van tropische cyclonen voorspelt. Op zich niet nieuw — weermodellen bestaan al decennia. Wat wél opvallend is: dit model doet het met data op een resolutie van 28 bij 28 kilometer. Dat is volgens Google zo'n honderd keer grover dan wat traditionele modellen nodig hebben voor intensiteitsvoorspellingen.

Om dat in perspectief te plaatsen: traditioneel heb je twee soorten modellen nodig. Grote, globale modellen die goed zijn in het voorspellen van de route van een storm (want die wordt bepaald door enorme luchtstromen in de atmosfeer). En fijnmazige, lokale modellen die de kracht van een storm beter inschatten, omdat ze de kleine turbulentie rondom de kern kunnen zien. WeatherNext combineert beide in één systeem — en heeft daar veel minder gedetailleerde data voor nodig.

Het model is getraind op bijna 20 terabyte aan atmosferische data en de IBTrACS-database, een verzameling van zo'n 5.000 historische stormen. Een complete vijftiendaagse voorspelling draait het in minder dan één minuut op een TPU (een gespecialiseerde Google-chip).

De prestatie in cijfers

Volgens Google DeepMind zijn driedaagse voorspellingen van WeatherNext even nauwkeurig als wat eerdere modellen konden leveren voor slechts twee dagen vooruit. Dat verschil van één dag klinkt misschien bescheiden, maar Google stelt dat dit ruwweg tien jaar aan meteorologische vooruitgang vertegenwoordigt.

Dat is een flinke claim. Ik wil daar wel een kanttekening bij plaatsen: die vergelijking komt van Google zelf, en ik heb geen onafhankelijke peer review gevonden die precies dat getal bevestigt. Wat wél extern is bevestigd: tijdens het orkaanseizoen van 2025 heeft het National Hurricane Center in de VS WeatherNext ingezet bij de voorspelling van orkaan Melissa. Het model voorspelde de snelle intensivering en de landing in Jamaica nauwkeuriger dan de gangbare modellen.

Het mysterie van de lage resolutie

Dit is wat mij het meest opvalt. Normaal gesproken heb je hoge resolutie nodig om de intensiteit van een storm te voorspellen. De kleine, gewelddadige processen in de kern van een cycloon spelen zich af op een schaal van een paar kilometer. Een model dat werkt met blokken van 28 bij 28 kilometer zou die details simpelweg niet moeten kunnen "zien".

En toch doet WeatherNext het. De onderzoekers geven eerlijk toe dat ze niet volledig begrijpen hoe. In hun eigen woorden is het "een open onderzoeksvraag" hoe het model zulke nauwkeurige voorspellingen produceert op die resolutie. Ze hopen dat het open-sourcen van de code en modelgewichten de bredere wetenschappelijke gemeenschap helpt om dit raadsel op te lossen.

Ik vind het eerlijk gezegd bijzonder dat een team van Google DeepMind publiekelijk zegt: we weten niet precies waarom dit werkt. Dat komt niet vaak voor bij grote techbedrijven, en het maakt de claim voor mij juist geloofwaardiger. Het is geen marketingverhaal — het is een wetenschappelijke puzzel.

Wat dit voor ondernemers betekent

Je denkt misschien: mooi, cyclonen, maar ik zit in Nederland. Klopt — we hebben hier zelden orkanen. Maar het grotere plaatje is breder dan tropische stormen.

Weerdata als bedrijfsinformatie

Google Cloud biedt WeatherNext al aan via platforms als BigQuery en Earth Engine. Bedrijven in energie, landbouw, logistiek en verzekeringen kunnen er voorspellingen mee draaien of eigen varianten trainen via Vertex AI. Wereldwijd lagen verzekerde verliezen door natuurrampen in 2025 rond de 107 miljard dollar, volgens schattingen uit de sector. Betere voorspellingen kunnen die schade helpen beperken — of op z'n minst de verrassing eruit halen.

Stel dat je als ondernemer een transportbedrijf runt, of evenementen organiseert, of in de agrarische sector zit. Dan is een weervoorspelling die één dag eerder betrouwbaar is, concreet geld waard. Eén dag eerder weten dat er een storm aankomt, betekent één dag eerder kunnen omplannen.

De drempel daalt

Wat ik ook opmerkelijk vind: Google heeft een compacte versie uitgebracht — WeatherNext 2-mini — die draait op een gratis Google Colab-omgeving. Dat is een online notebook waar je code kunt uitvoeren zonder eigen hardware. De resolutie is grover (111 bij 111 kilometer), maar het principe is hetzelfde. Voor een MKB-ondernemer is dat op dit moment waarschijnlijk nog niet direct bruikbaar, maar het laat zien hoe snel de toegangsdrempel tot dit soort technologie daalt.

Vergelijk het met hoe GPS ooit militaire technologie was en nu in elke bestelbus zit. AI-weervoorspelling zit nu in de fase waarin het beschikbaar wordt gemaakt — de toepassingen komen daarna.

Concurrentie en context

Google is niet de enige speler. IBM's Weather Company, AccuWeather en DTN hebben stevige posities in de enterprise-markt. Nieuwere partijen als Spire Global, Climavision en Tomorrow.io bieden al sub-hourly updates en hyperlocale voorspellingen. Het open-sourcen van WeatherNext is voor Google deels een strategische zet: hoe meer ontwikkelaars met het model werken, hoe sterker het ecosysteem rond Google Cloud wordt.

Dat is geen kritiek — het is hoe open source in de praktijk werkt. Maar het is goed om te weten dat "open source" niet hetzelfde is als "belangeloos". Google verdient aan de cloudinfrastructuur waarop deze modellen draaien.

Afsluiting

Voor mij is dit vooral een signaal dat AI-modellen steeds vaker dingen kunnen die we nog niet helemaal begrijpen — en dat dat niet per se een reden tot zorg is, maar wel tot nieuwsgierigheid. De eerlijkheid van de onderzoekers over wat ze niet weten, vind ik waardevol. En voor ondernemers die weerafhankelijk zijn: dit soort technologie komt dichterbij dan je misschien denkt. Het is nog geen kwestie van morgen een app installeren, maar de richting is duidelijk. Nauwkeurigere voorspellingen worden goedkoper, sneller en toegankelijker. De vraag is niet óf dat jouw sector raakt, maar wanneer.