> ## Content Index
> Fetch the complete content index at: https://ontraadseld.nl/llms.txt
> Use this file to discover other available public pages before exploring further.

# Nieuwe AI-techniek kan weersvoorspellingen slimmer bijstellen
- URL: https://ontraadseld.nl/nieuwe-ai-techniek-kan-weersvoorspellingen-slimmer-bijstellen/
- Published: 2026-10-02T13:51:00.000Z
- Updated: 2026-10-05T19:02:23.000Z
- Author: Ontraadseld
- Tags: klimaat

Je kent het wel: het weerbericht voorspelt zon, maar even later blijkt het toch te gaan regenen. Weersvoorspellingen worden continu bijgewerkt zodra nieuwe metingen binnenkomen, zoals data van weerballonnen of satellieten. Maar de technieken die dit nu doen, hebben een blinde vlek. Een onderzoeksteam presenteert nu een nieuwe methode die dit probleem moet oplossen.

Weermodellen combineren voorspellingen met actuele metingen om een zo goed mogelijk beeld te krijgen van de huidige staat van de atmosfeer. Dit proces heet data-assimilatie. Het model maakt eerst een inschatting, en past die vervolgens aan zodra er nieuwe metingen binnenkomen.

Het probleem: bestaande methodes kijken alleen naar de meest recente meting. Ze houden vast aan eerdere inschattingen, ook als latere metingen laten zien dat die eigenlijk niet meer kloppen. Daardoor stapelen fouten zich op tijdens een lange voorspellingsperiode, bijvoorbeeld wanneer je het weer voor een hele week probeert te berekenen.

### Terugkijken én vooruitkijken

Het onderzoeksteam ontwikkelde een nieuwe methode die ze DAWIS noemen. Dit staat voor Data Assimilation with Windowed Inverse Sampling. In plaats van alleen naar het heden te kijken, bekijkt DAWIS een heel venster van opeenvolgende momenten tegelijk, bijvoorbeeld de afgelopen tien uur.

Voor elk moment in dat venster bepaalt het model apart hoe zeker het daarover is. Komt er een nieuwe meting binnen die een eerdere inschatting tegenspreekt? Dan kan het model die eerdere inschatting alsnog aanpassen, in plaats van er krampachtig aan vast te houden. Het model kan zelfs de voorspelling voor de toekomst meteen meenemen in datzelfde proces, waardoor een apart voorspellingsmodel niet meer nodig is.

Het team testte DAWIS op ingewikkelde, niet-lineaire systemen. Dit zijn wiskundige modellen waarbij kleine veranderingen soms grote, onvoorspelbare gevolgen hebben, zoals het weer zelf. Ook bij schaarse, ruizige (met meetfouten behepte) en niet-lineaire metingen presteerde DAWIS beter dan bestaande methodes voor zowel korte als langere termijn voorspellingen.

**Wat betekent dit (nog) niet**  
Dit is één onderzoeksteam dat hun methode test op wiskundige testsystemen, niet op een echt, operationeel weermodel zoals dat van het KNMI. Of DAWIS ook werkt bij de enorme hoeveelheid data van een heel weersysteem, moet nog blijken. Het onderzoek geeft geen concrete cijfers over hoeveel nauwkeuriger voorspellingen worden, alleen dat de methode beter scoort dan bestaande vergelijkingsmethodes op de geteste systemen.

Voor nu is dit vooral een technische doorbraak in de onderliggende wiskunde achter weersvoorspellingen. Mocht de methode ook werken op echte weerdata, dan zou dit op termijn kunnen bijdragen aan nauwkeurigere weersvoorspellingen, vooral wanneer metingen schaars of onzeker zijn.

Bron: [DAWIS: Data Assimilation with Windowed Inverse Sampling via Multitask Interpolants](http://arxiv.org/abs/2610.03314v1?ref=ontraadseld.nl)