Google DeepMind geeft gratis AI-regenkaarten van de hele wereld vrij
Google DeepMind stelt wereldwijde regenschattingen van een AI-model gratis beschikbaar. Ze zijn gemiddeld vijf uur na de bui klaar, waar NASA's nauwkeurigste product maanden duurt. In tests van Google zelf scoren ze ook beter.
Wie wil weten hoeveel regen er ergens is gevallen, heeft regenmeters of een weerradar nodig. Die staan vooral in rijke landen. Boven oceanen, woestijnen en grote delen van Afrika en Azië zijn ze er nauwelijks, terwijl ook daar droogte en overstromingen spelen. Onderzoekers zijn daar aangewezen op satellieten, die regen vaak alleen indirect kunnen zien.
Google DeepMind en Google Research hebben twee gegevensverzamelingen gratis beschikbaar gemaakt. De belangrijkste heet PARDIG. Een AI-model schat daarin voor de hele wereld elke vijftien minuten hoeveel regen er valt, in vakjes van ongeveer tien bij tien kilometer. De reeks loopt terug tot 1999. Iedereen mag de gegevens gebruiken, ook voor commerciële toepassingen, zolang Google als maker wordt vermeld.
Hoe het werkt
Het model leerde van een regenradar in de ruimte: de GPM Core Observatory, een satelliet van de Amerikaanse en Japanse ruimtevaartorganisaties NASA en JAXA. Die meet regen nauwkeurig, maar ziet steeds alleen een smalle strook van de aarde. PARDIG leerde die metingen na te bootsen uit gegevens die wel overal en altijd beschikbaar zijn: beelden van weersatellieten die op een vaste plek boven de evenaar hangen, en weergegevens van het Europese weercentrum ECMWF. Zo kan het ook regen schatten waar de radarsatelliet op dat moment niet overvliegt. Regenmeters of weerradars op de grond gebruikt het model nergens.
De schattingen komen gemiddeld zo'n vijf uur na de bui beschikbaar. Het nauwkeurigste vergelijkbare product van NASA, IMERG-Final, wacht op een maandelijkse correctie met regenmeters en verschijnt pas na ongeveer drie maanden. De snelle versie, IMERG-Early, is na ongeveer vier uur klaar.
De tweede gegevensverzameling, SatWeave, voegt de beelden van die weersatellieten samen tot één beeld van de hele aarde dat elk uur wordt bijgewerkt. Google gebruikt beide voor zijn weermodel WeatherNext 3: SatWeave als actueel beeld van wolken en buien, PARDIG om het model te leren regen te voorspellen.
Beter dan NASA, in tests van Google
De makers legden de schattingen naast metingen van ruim 36.000 weerstations wereldwijd. Ze telden hoe vaak een schatting regen goed aanwees, en rekenden gemiste buien en vals alarm als fout. Op die schaal, waarop 1 perfect is, scoort PARDIG bij een bui van 1 millimeter per uur gemiddeld 0,36, tegen 0,28 voor IMERG-Final. In de tropen is het verschil groter: 0,36 tegen 0,24. Ook tegen weerradars in de Verenigde Staten, Europa en Japan scoort PARDIG volgens de makers bij elke hoeveelheid regen het best, ook beter dan IMERG-Early.
Die cijfers komen uit een onderzoeksartikel van Google zelf, dat online verscheen. De volgende stap is dat onafhankelijke onderzoekers de resultaten nagaan.
Zware buien blijven lastig. Tijdens de overstromingen in Texas in juli 2025 haalde PARDIG in het zwaarst getroffen gebied, Kerr County, bij 25 millimeter regen per uur een score van 0,10, tegen 0,02 voor IMERG-Final. Dat is beter, maar de meeste zware buien werden nog gemist of op de verkeerde plek aangewezen. Het model rekent bovendien nooit met meer dan 75 millimeter per uur, waardoor de felste pieken worden afgevlakt. In hoge gebergten als de Alpen en de Rocky Mountains is de voorsprong kleiner, en bij een deel van de stations daar doet IMERG-Final het beter.
Google noemt beide producten experimenteel: PARDIG is geen officiële waarneming of waarschuwing. Onderzoekers kunnen de gegevens zelf verkennen met een handleiding van Google.
Wat betekent dit voor de weg naar de singulariteit?
AI-weermodellen leren van metingen, en goede regenmetingen ontbreken juist waar overstromingen en droogte vaak het hardst toeslaan. Nieuw is dat een AI-model hier zelf de gaten in de metingen opvult, en dat die ingevulde gegevens weer de leerstof worden voor het volgende AI-model. Volgens Google maakt WeatherNext 3 zo'n 15 procent kleinere fouten bij regenvoorspellingen als het van PARDIG leert in plaats van van NASA's gegevens. Als die lijn doorzet, maakt elke verbetering van zo'n schatter de voorspellers beter, en kunnen betere voorspellers weer helpen de schatter te verbeteren.
Door de gegevens gratis weg te geven, maakt Google ze tot een vertrekpunt waar andere onderzoekers op voortbouwen en hun eigen modellen mee vergelijken. Wie zijn gegevens achter een betaalmuur houdt, verliest dan gebruikers. In de beste uitkomst krijgt een waterschap in Bangladesh of een boer in Malawi binnen een paar uur net zo goede regeninformatie als wij in Nederland, en kunnen waarschuwingen voor overstromingen daar eerder komen. Eén risico hoort erbij: leren veel modellen van dezelfde AI-gegevens, dan kan een fout daarin ongemerkt in al die modellen terechtkomen. Metingen op de grond blijven daarom nodig als controle.