Op dinsdag 1 juli 2025 heeft het Europees Centrum voor Weersverwachtingen op Middellange Termijn (ECMWF) een eerste versie van het probabilistische model van het Artificial Intelligence Forecasting System (AIFS) gepubliceerd. Het model AIFS ENS v1 biedt een ensemblevoorspelling en werkt naast het traditionele, op fysica gebaseerde Integrated Forecasting System (IFS) om de numerieke weersvoorspelling te verbeteren. Het zeer nauwkeurige ensemblemodel vormt een aanvulling op het dienstenaanbod van ECMWF door gebruik te maken van de mogelijkheden van machine learning (ML) en kunstmatige intelligentie (AI). AIFS ENS levert niet alleen een voorspelling, maar ook een schatting van de onzekerheid van de voorspelling.

Het AIFS ENS v1-model is een probabilistisch weersvoorspellingssysteem dat is ontwikkeld door ECMWF en dat machine learning gebruikt om ensemblevoorspellingen te genereren. Het produceert meerdere voorspellingsleden door te samplen uit een aangeleerde verdeling, waardoor de onzekerheid in toekomstige weersomstandigheden wordt vastgelegd. Het model is getraind met behulp van een versie van de Continuous Ranked Probability Score (CRPS), een verliesfunctie die helpt ervoor te zorgen dat de voorspellingen zowel nauwkeurig als goed gekalibreerd zijn. Deze trainingsaanpak houdt rekening met de beperkingen van het gebruik van een eindig aantal ensemble-leden. AIFS ENS presteert beter dan het traditionele, op fysica gebaseerde ensemblesysteem van ECMWF bij middellange termijnvoorspellingen en presteert concurrerend bij subseizoensvoorspellingen wanneer deze worden geëvalueerd als afwijkingen.

Het nieuwe ensemblemodel presteert beter dan de meest geavanceerde, op fysica gebaseerde modellen voor veel meetwaarden, waaronder de oppervlaktetemperatuur, met een winst tot 20 %. Momenteel werkt het met een lagere resolutie (31 km) dan het fysisch ensemble-systeem (9 km), dat onmisbaar blijft voor hoge-resolutievelden en gekoppelde aardse systeemprocessen.

Het AIFS ENS maakt gebruik van fysische data-assimilatie om de beginvoorwaarden te genereren. Het kan echter meer dan tien keer sneller voorspellingen genereren dan het fysische voorspellingssysteem, terwijl het energieverbruik met ongeveer 1000 keer wordt verminderd.

Michiel Van Ginderachter, wetenschapper bij het KMI, legt uit: “In plaats van de fout te optimaliseren, optimaliseert AIFS ENS de CRPS, een score die zowel de fout als de onzekerheidsschatting omvat. Met andere woorden, de training probeert niet alleen de fout zo klein mogelijk te maken, maar ook een onzekerheidsschatting te geven die overeenkomt met de fout. Het kan een betere schatting maken van de fout van zijn eigen voorspelling.”

“AIFS single heeft, net als alle andere deterministische modellen, last van iets dat smoothing wordt genoemd. Dit betekent dat naarmate de voorspellingsperiode langer wordt (langere voorspellingen), het model de neiging heeft om velden zoals temperatuur en wind af te vlakken. Als gevolg daarvan gaan alle kleinschalige kenmerken in uw voorspelling verloren en verliezen de velden hun extremen. Met de nieuwe trainingsmethode van AIFS ENS is dit niet langer het geval, waardoor de voorspellingsvelden niet worden afgevlakt en velden zoals temperatuur en wind ook op lange termijn kleinschalige kenmerken behouden, waardoor deze voorspelling veel realistischer lijkt dan de voorspellingen van AIFS Single", legt M. Van Ginderachter uit.

Aangezien deze modellen niet langer gebonden zijn aan fysische wetten, verschijnen er van tijd tot tijd enkele onfysische artefacten (vooral voor voorspellingen ver in de toekomst, d.w.z. na 10 dagen). Menselijke interpretatie blijft dus van cruciaal belang.

Dit nieuw model wordt nog niet operationeel gebruikt door onze voorspellers, maar zal in een nabije toekomst ook voor hun ter beschikking staan.