Vuurvast voorspellen – Hoeveel AI-modellen weten waar het straks brandt?
“Wist je dat ze in Marokko een AI-model hebben ontwikkeld dat bosbranden voorspelt én boeren helpt met hun oogst?”
Een vriend uit Rabat stuurde me trots het artikel. En terecht – het project uit Casablanca is een prachtig voorbeeld van hoe lokale innovatie globale relevantie krijgt.
Door Pieter de Kok, data liefhebber met een zwak voor hitte én nuance
Maar eerlijk is eerlijk: mijn eerste reflex als data liefhebber was niet “wat mooi”, maar: “Hoeveel van dit soort modellen zijn er eigenlijk al?”
En dus ging ik op onderzoek uit. Wat blijkt? De wereld is een vurige lappendeken van AI-projecten die één ding willen: voorspellen waar het straks brandt.
AI vs. bosbrand – een wereldwijde wedloop
Van Californië tot Catalonië, van NASA tot Noord-Marokko: overal worden AI-modellen gebouwd om bosbranden te voorspellen. En allemaal gebruiken ze data – véél data. Denk aan satellietbeelden, luchtvochtigheid, vegetatiegroei, bliksemmetingen, windmodellen, historische incidenten, menselijke activiteit en realtime weersverwachtingen.
Enkele treffende voorbeelden:
- Marokko (2025): AI-model combineert landbouw- en brandrisico’s, o.b.v. lokale satelliet- en bodemdata.
- VS – Technosylva & DeepFire: Dagelijkse brandvoorspellingen op postcodeniveau, al operationeel in meerdere staten.
- NASA & ECMWF: Grootschalige simulaties van wereldwijde brandverspreiding met AI-aangedreven digital twins.
- Israël: Model dat specifiek branden door blikseminslag voorspelt – 90% nauwkeurigheid in labtests.
- OroraTech: Nanosatellieten die realtime thermische hotspots detecteren en koppelen aan AI-risicomodellen.
En dat is nog maar een greep. Onder de oppervlakte borrelt een academische onderlaag van tientallen experimentele modellen, meestal nog in de proof-of-conceptfase.
Voorspellen ≠ voorkomen
Maar tussen model en praktijk gaapt soms een brandgang.
Veel AI-modellen kunnen inmiddels best goed voorspellen waar een brand waarschijnlijk ontstaat. Maar dat betekent nog niet dat er ook iets mee gebeurt. Want:
- Detectie (zien dat het al misgaat) vraagt om infrastructuur: drones, camera’s, sensoren, mensen.
- Respons (wie doet wat wanneer?) is vaak politiek en logistiek complex.
- Interpretatie van een risicokaart vereist training en lokaal begrip – anders vertrouw je op een hittemodel dat bos verward met barbecue.
En dan zijn er natuurlijk de fouten: in 2025 werd in Californië een AI-voorspelling door een nutsbedrijf factor 10 onderschat. Resultaat: 800 huizen in de as.
Wat maakt het Marokkaanse model wél bijzonder?
Niet de techniek – die delen ze met veel andere projecten.
Wel de lokale koppeling: het model is gebouwd met én voor agrarische gebruikers, en richt zich niet alleen op bosbeheer, maar ook op landbouwbeslissingen.
Dat maakt het menselijker. Bruikbaarder. En eerlijk: effectiever dan menig Europees “pilotproject” dat eindigt als rapport in een pdf-mapje.
Hoeveel AI-systemen voorspellen bosbranden?
Grote vraag. Afhankelijk van je definitie zijn het er:
- 10–15 die operationeel draaien op nationaal niveau, vaak in samenwerking met overheden.
- 50+ in academisch of experimenteel stadium, verspreid over universiteiten, startups en NGO’s.
- Duizenden regelsets in kleinere sensornetwerken, risicokaarten of agrarische apps die werken met simpele voorspellende logica.
Dus: jouw Marokkaanse vrienden zijn niet uniek – maar ze zijn wél onderdeel van een wereldwijde beweging. En als hun systeem straks betere oogsten én minder bosbranden oplevert, dan is dat niets minder dan vurig waardevol.
Tot slot: AI als brandblusser?
AI blust geen branden. Maar het kan wel helpen ze eerder te zien, slimmer te voorspellen en efficiënter te bestrijden.
De uitdaging zit niet in de technologie, maar in drie andere dingen:
- Data delen
- Besluiten durven nemen op basis van modeluitkomsten
- Lokaal verbinden wat globaal wordt voorspeld
En dus zeg ik tegen mijn Marokkaanse vrienden: jullie zitten op hete kolen – maar dan in de goede zin.
Groet Pieter de Kok, partner Coneyminds.nl
