> ## 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 softwarebrug moet AI en klimaatmodellen beter laten samenwerken
- URL: https://ontraadseld.nl/nieuwe-softwarebrug-moet-ai-en-klimaatmodellen-beter-laten-samenwerken/
- Published: 2026-08-30T03:33:33.000Z
- Updated: 2026-09-25T19:02:07.000Z
- Author: Ontraadseld
- Tags: klimaat

Weersvoorspellingen en klimaatmodellen worden al decennia gemaakt met natuurkundige berekeningen. Kunstmatige intelligentie (AI) kan die voorspellingen verbeteren, maar er is een praktisch probleem: de twee technieken "spreken" een andere taal. Een onderzoeksteam ontwikkelde nu een technische oplossing om die talen met elkaar te laten praten.

Klassieke klimaat- en weermodellen zijn geschreven in de programmeertaal Fortran. Dit is een taal uit de jaren zestig die nog steeds veel gebruikt wordt omdat hij heel snel rekent met grote hoeveelheden natuurkundige gegevens. AI-programma's worden juist meestal gebouwd in Python, een modernere en flexibelere programmeertaal. Die twee talen laten elkaars code niet zomaar uitvoeren, waardoor het lastig is om AI direct te combineren met bestaande klimaatmodellen.

Het onderzoeksteam bouwde een soort vertaalsysteem, dat ze Hf2pMDA noemen. Hiermee kunnen Fortran-modellen en Python AI-algoritmes elkaar aanroepen alsof ze één programma zijn. Een centrale "regisseur" in Python stuurt zowel de klassieke natuurkundige berekeningen als de AI-onderdelen aan.

Een belangrijke toepassing hiervan heet data-assimilatie. Dat is de methode waarmee modellen voortdurend worden bijgesteld met nieuwe metingen, bijvoorbeeld van weerstations, satellieten of boeien in de oceaan. Hoe beter die bijstelling werkt, hoe betrouwbaarder een voorspelling wordt.

De onderzoekers testten hun systeem in twee voorbeelden. Bij het eerste voorbeeld gebruikten ze een klimaatmodel dat oceaan en atmosfeer aan elkaar koppelt. Met de nieuwe softwarebrug kon dit model worden opgewaardeerd van een systeem waarbij oceaan en atmosfeer los van elkaar bijgesteld worden, naar een systeem waarbij dat gezamenlijk en steviger gebeurt. Daarvoor gebruikten ze een AI-techniek die met een soort "samengevatte versie" van de data werkt, een zogeheten latente ruimte, waarin een autoencoder (een AI-model dat data comprimeert en weer reconstrueert) patronen herkent.

Bij het tweede voorbeeld ging het om weersvoorspelling op zeer kleine schaal, met een resolutie van 1 kilometer. Dit is fijnmaziger dan de meeste standaardmodellen, die vaak tientallen kilometers per gridcel gebruiken. Het team liet hier de klassieke Fortran-onderdelen en een Python AI-onderdeel samenwerken binnen één model dat op verschillende schaalniveaus tegelijk rekent.

**Wat betekent dit (nog) niet:** Dit onderzoek laat zien dat de technische koppeling tussen AI en klassieke modellen mogelijk is en in twee voorbeelden werkte. Het is geen bewijs dat weersvoorspellingen of klimaatprojecties hierdoor nu al nauwkeuriger zijn. De studie beschrijft vooral de infrastructuur, het "verbindingsstuk" tussen twee programmeertalen, en nog niet uitgebreide tests op grote schaal of vergelijkingen met bestaande voorspellingen over langere tijd.

Voor de wetenschap is dit vooral gereedschap voor onderzoekers zelf. Het maakt het makkelijker om AI stap voor stap te testen binnen bestaande, vertrouwde klimaat- en weermodellen, zonder die modellen helemaal opnieuw te hoeven programmeren. Op termijn kan dit bijdragen aan nauwkeurigere voorspellingen, maar dat moet nog verder onderzocht worden.

Bron: [Python-Fortran Hybrid Programming to Fuse AI and Physical Models: Examples of AI-LDA in climate and weather models (Hf2pMDA\_v1.0)](http://arxiv.org/abs/2608.29532v1?ref=ontraadseld.nl)