Die Treffsicherheit des Wetterberichts hat in den vergangenen Jahrzehnten enorm zugenommen: Stärkere Rechner, mehr Daten und immer komplexere Wettermodelle machten es möglich, dass sich die nächsten paar Tage halbwegs genau vorhersagen lassen, zumindest, wenn die Wetterlage nicht ganz instabil ist.
Die Berechnungen, die dahinterstecken, sind allerdings immens, was extrem viel Rechenleistung verbraucht. Einzelne Simulationen können mehrere Stunden dauern, schreibt das Team um Qi Tian im Fachmagazin „Nature“. Schon seit Jahren versuche man daher, die Prognosen mit Hilfe von künstlicher Intelligenz (KI) zu beschleunigen. In der Genauigkeit waren KI-Vorhersagen numerischen Modellen bisher allerdings deutlich unterlegen.
10.000 Mal schneller
Dass es nur eine Frage der Zeit war, bis die neuen mächtigen „Deep Learning“-Modelle – die unter anderem auch beim beliebten Chatbot Chat-GPT verwendet werden – auch treffsicherere Wetterberichte erstellen können, zeigt die soeben erschienene Studie von Qi Tian und Co. Darin präsentiert das chinesische Huawei-Team sein neues KI-Prognoseprogramm: „Pangu-Weather“ wurde mit globalen Wetterdaten aus 39 Jahren trainiert und kann unter anderem Temperatur, Windstärke und Luftdruck der nächsten Woche vorhersagen.
Die Genauigkeit entspricht laut den Forschern etwa den besten mittelfristigen Prognosemodellen des „European Centre for Medium-Range Weather Forecasts“ (ECMWF), gleichzeitig ist es 10.000 Mal schneller. Durch ein integriertes 3-D-Modell liefert „Pangu-Weather“ außerdem umfassendere sowie detailliertere Ergebnisse als frühere KI-Programme.
Treffsichere Niederschlagsprognosen
In derselben Ausgabe von „Nature“ stellt ein Team aus chinesischen und US-Forschern und -Forscherinnen ein weiteres neues KI-Tool vor. Der Fokus liegt hier auf kurzfristigen (bis zu sechs Stunden) und kleinräumigen Niederschlagsprognosen, was auch mit klassischen Modellen sehr schwierig ist, aber in Zeiten von Extremwetterereignissen immer wichtiger wird.
Trainiert wurde „NowcastNet“ mit Radardaten aus den USA und China. In diesem Fall wurde der „Deep Learning“-Ansatz allerdings mit physikalischen Wettermodellen kombiniert. Wie das Team um Yuchen Zhang von der chinesischen Tsinghua Universität in der Studie berichtet, waren die Regenprognosen sehr treffsicher, besonders bei oft schwer vorhersehbaren Starkregenereignissen. Bei einer Bewertung durch 62 externe Experten und Expertinnen wurde „NowcastNet“ in 70 Prozent der Fälle in seiner Genauigkeit vor anderen etablierten Methoden gereiht.
Kombinierte Methoden
Im Prinzip hätte eine Beschleunigung der Prognosen viele Vorteile, schreiben Imme Ebert-Uphoff und Kyle Hilburn von der Colorado State University in einem Begleitkommentar zu den beiden Studien. Meteorologische Einrichtungen könnten Geld und Zeit sparen, was in andere Berechnungen rund um Klima, Wetter und Umwelt fließen könnte. Durch die schnellere Berechnung ließ sich auch die Auflösung – das heißt, die Regionalität – der Vorhersage weiter verbessern.
Der Einsatz von KI-Prognosen habe aber auch Grenzen, etwa wenn es um klimatische Veränderungen geht. Extremereignisse könnten unterschätzt werden, weil sie in den Trainingsdaten nur selten vorkommen. Die Prognose werde auch schwierig, wenn das System auf Bedingungen trifft, die es so noch nie – zumindest in den Daten – gab. Eine Kombination aus KI und klassischen Methoden sei daher vermutlich die erfolgversprechendste Variante, schreibt auch das Team um Qi Tian.
Wichtig jedenfalls wäre es, dass sich Meteorologen und Meteorologinnen mit diesen Entwicklungen auseinandersetzen bzw. Teil davon werden, betonen Ebert-Uphoff und Hilburn. Sie sollten sicherstellen, dass die KI-Methoden zu ihren Aufgaben passen. Außerdem sollten sie lernen, den Output der Programme richtig zu interpretieren, damit die Systeme in der Folge auch sinnvoll eingesetzt werden können.