Wetenschappers hebben een methode ontwikkeld waarbij kunstmatige intelligentie, specifiek getraind op meteorologische data, wordt ingezet om de opname van kooldioxide uit de atmosfeer beter in kaart te brengen. Deze techniek richt zich op versnelde gesteenteverwering, ook wel Enhanced Rock Weathering (ERW) genoemd, een proces dat op gigaton-schaal CO2 kan vastleggen. Tot voor kort was het vaststellen van de exacte hoeveelheid opgeslagen koolstof een arbeidsintensieve taak die steunde op uitgebreide laboratoriumanalyses en bodemmonsters.
In een studie die op 20 oktober 2026 verscheen via arxiv.org, onderzocht een team onder leiding van Sasankh Munukutla of zogenaamde 'weather Foundation Models' (FMs) kunnen helpen bij het kwantificeren van deze verwijdering. De onderzoekers testten vijf verschillende modellen door deze als 'frozen encoders' te koppelen aan lichtgewicht decoders. Voor deze evaluatie werd gebruikgemaakt van een dataset met 5.192 chronosequenties, afkomstig van 264 velden in Brazilië en de Verenigde Staten. Volgens de auteurs van het rapport op vormt dit de grootste evaluatie tot nu toe op operationele data van deze techniek en de eerste holistische analyse van weermodellen toegepast op ERW.
De resultaten tonen aan dat weermodellen succesvol kunnen worden overgedragen naar de context van gesteenteverwering. Het meest effectieve model, TerraNova-ERW (gebaseerd op Aurora 1.5), slaagde erin om metingen in velden die het systeem nog niet kende, correct te ordenen. Er zijn echter nog grenzen aan de technologie. Volgens de publicatie op is 'zero-shot prediction' — het voorspellen van de gemiddelde CO2-verwijdering van een nieuw veld zonder lokale data — momenteel nog niet mogelijk. Dit wordt toegeschreven aan de beperkte schaal van de beschikbare data, hoewel dezelfde architectuur wel goed presteert bij natuurlijke verweringsequenties.
Ondanks deze beperking biedt de technologie aanzienlijke voordelen via 'few-shot prediction'. Wanneer het model wordt gecombineerd met een klein aantal monsters per veld, stijgt de precisie fors. TerraNova-ERW kan met slechts twee monsters per veld meer dan 60% van de velden met de hoogste CO2-verwijdering correct identificeren. Dit heeft grote praktische gevolgen voor de uitvoering van koolstofverwijdering: de benodigde hoeveelheid monsters om de gemiddelde verwijdering te schatten kan worden gehalveerd. In sommige intensief bemonsterde velden kan de monstername zelfs met 28% tot 98% worden teruggedrongen.
Het onderzoek is geselecteerd voor presentatie op de 40e editie van de Conference on Neural Information Processing Systems (NeurIPS 2026) in Sydney, Australië, specifiek binnen de workshop 'Tackling Climate Change with Machine Learning'.
Terwijl commerciële platforms zoals weather.com zich primair richten op dagelijkse consumentenvoorspellingen en lokale weersomstandigheden, bewijst dit academische werk dat de onderliggende meteorologische data en AI-modellen een fundamentele waarde hebben voor geavanceerde milieutechnieken en de strijd tegen klimaatverandering.