Erstellen Sie eine 10-Tage-Wettervorhersage in 1 Minute. KI schlägt das beste Vorhersagesystem der Welt.

Bei der Wettervorhersage stellt künstliche Intelligenz (KI) traditionelle Methoden auf den Kopf und verspricht präzisere Vorhersagen in kürzeren Zeitabständen und zu geringeren Kosten.

Google DeepMind hat ein auf maschinellem Lernen basierendes Wettervorhersagemodell namens GraphCast eingeführt, das Hunderte von Wettervariablen für die nächsten 10 Tage innerhalb einer Minute mit einer globalen Auflösung von 0,25° vorhersagen kann und damit herkömmliche Wettervorhersagemethoden deutlich übertrifft . Darüber hinaus ist das Modell auch bei der Vorhersage extremer Ereignisse gut geeignet.

Die zugehörige Forschungsarbeit mit dem Titel „Learning skillful medium-range weather forecasting“ (Erlernen einer geschickten mittelfristigen globalen Wettervorhersage) wurde in der renommierten wissenschaftlichen Zeitschrift Science veröffentlicht. Darüber hinaus wurde der entsprechende Open-Source-Code auch auf Github veröffentlicht.

Die Ergebnisse deuten darauf hin, dass künftige Vorhersagen sowohl des alltäglichen Wetters als auch extremer Ereignisse wie Hurrikane, Hitzewellen und Kälteeinbrüche genauer werden könnten.

Ein Beispiel für eine erfolgreiche Vorhersage ist der Hurrikan Lee im September im Nordatlantik. „GraphCast konnte neun Tage vor dem Eintreffen des Hurrikans korrekt vorhersagen, dass Lee in Nova Scotia auf Land treffen würde, während herkömmliche Methoden dies nur sechs Tage vorher vorhersagen konnten“, sagte Rémi Lam, einer der Erstautoren und Korrespondenten des Artikels. „Das gab den Menschen drei weitere Tage Zeit, sich auf seine Ankunft vorzubereiten .“

Matthew Chantry, Koordinator für maschinelles Lernen am Europäischen Zentrum für mittelfristige Wettervorhersage (EZMW), erklärte daraufhin, dass die Fortschritte bei KI-Systemen in der Meteorologie „viel schneller und beeindruckender seien, als wir noch vor zwei Jahren erwartet hätten“.

„GraphCast übertrifft andere Modelle des maschinellen Lernens wie FourCastNet von Nvidia durchweg und ist in vielerlei Hinsicht genauer als unser eigenes Vorhersagesystem.“

Wettervorhersage für die nächsten 10 Tage in 1 Minute

Das Wetter hat weitreichende und tiefgreifende Auswirkungen auf den Menschen und betrifft viele Aspekte wie Leben, Gesundheit und Wirtschaft.

Die Wettervorhersage ist eine der ältesten und anspruchsvollsten Aufgaben der Wissenschaft. Mittelfristige Prognosen spielen eine entscheidende Rolle bei der Unterstützung kritischer Entscheidungen in allen Sektoren, von erneuerbaren Energien bis hin zur Veranstaltungslogistik. Allerdings ist es bekanntermaßen schwierig, sie präzise und effektiv zu erstellen.

Normalerweise basieren Wettervorhersagen auf der numerischen Wettervorhersage (NWP), einer Methode, die mit genau definierten physikalischen Gleichungen beginnt und diese dann in Computeralgorithmen übersetzt, die auf Supercomputern laufen. Obwohl dieser traditionelle Ansatz in Wissenschaft und Technik erfolgreich war, ist das Entwerfen von Gleichungen und Algorithmen zeitaufwändig und das Erstellen genauer Vorhersagen erfordert tiefgreifende Fachkenntnisse und teure Computerressourcen.

Dem Papier zufolge handelt es sich bei GraphCast um ein Wettervorhersagesystem, das auf maschinellem Lernen und Graph Neural Networks (GNNs) basiert und im Hinblick auf den Energieverbrauch 1.000-mal günstiger sein könnte als herkömmliche Methoden.

GraphCast erstellt Vorhersagen mit einer hohen Auflösung von 0,25 Längen-/Breitengraden (28 km x 28 km am Äquator) mit über einer Million Gitterpunkten, die die gesamte Erdoberfläche abdecken. An jedem Gitterpunkt sagt das Modell fünf Variablen der Erdoberfläche (einschließlich Temperatur, Windgeschwindigkeit und -richtung sowie mittlerer Luftdruck auf Meereshöhe) und sechs atmosphärische Variablen (einschließlich spezifischer Luftfeuchtigkeit, Windgeschwindigkeit und -richtung sowie Temperatur) in jeder der 37 Höhen voraus.

Obwohl das GraphCast-Training rechenintensiv ist, ist das resultierende Vorhersagemodell sehr effizient. Die Ausführung einer 10-Tage-Prognose mit GraphCast dauert auf einem Google TPU v4-Computer weniger als eine Minute. Im Gegensatz dazu kann eine 10-Tage-Vorhersage mit herkömmlichen Methoden wie HRES stundenlange Berechnungen auf einem Supercomputer erfordern.

Um die Prognosefähigkeiten von GraphCast zu bewerten, verglichen die Forscher GraphCast mit HRES, dem derzeit genauesten mittelfristigen Wettervorhersagemodell, und stellten fest, dass GraphCast bei 90 % der 1.380 Validierungsziele HRES deutlich übertraf.

Darüber hinaus kann das Modell Extremwetterereignisse wie die Zugbahnen tropischer Wirbelstürme, atmosphärische Flüsse (enge Bereiche der Atmosphäre, die für den Wasserdampftransport in Richtung der Pole verantwortlich sind) und extreme Temperaturanomalien besser vorhersagen.

Neben der Wettervorhersage kann GraphCast auch neue Wege in anderen geografischen raumzeitlichen Vorhersagen eröffnen, darunter Klima und Ökologie, Energie, Landwirtschaft, menschliche und biologische Aktivitäten und andere komplexe dynamische Systeme.

Einige Forscher äußerten bereits zuvor Bedenken hinsichtlich der Fähigkeit der KI, Extremwetterereignisse präzise vorherzusagen, unter anderem, weil es in der Vergangenheit relativ wenige Daten zu derartigen Ereignissen gibt, auf die man zurückgreifen könnte. GraphCast verringert jedoch die Spurfehler bei der Vorhersage von Zyklonen um etwa 10 bis 15 Meilen bei einer Vorlaufzeit von 2 bis 4 Tagen, verbessert die Wasserdampfvorhersagen für atmosphärische Flüsse um 10 bis 25 % und bietet 5 bis 10 Tage im Voraus genauere Vorhersagen extremer Hitze und Kälte.

„Allgemein wird angenommen, dass sich KI bei der Vorhersage seltener Anomalien nicht besonders gut eignet. Doch das gelingt ihr offenbar recht gut“, sagt Peter Battaglia, Forschungsleiter bei Google DeepMind und einer der Co-Autoren der Studie. „ Es deutet auch darauf hin, dass das Modell grundlegendere Erkenntnisse über die Entwicklung des Wetters im Laufe der Zeit erfasst, anstatt nur nach oberflächlicheren Mustern in den Daten zu suchen .“

Dies bedeutet jedoch nicht, dass KI alle herkömmlichen Prognosemethoden ersetzen kann. Es müssen noch weitere Herausforderungen bewältigt werden, bevor KI-Modelle wie GraphCast zuverlässig für betriebliche Prognosen eingesetzt werden können.

Eine wichtige Einschränkung dieses Ansatzes besteht beispielsweise im Umgang mit Unsicherheit. Der Forschungsschwerpunkt liegt dabei vor allem auf der deterministischen Vorhersage.

Das Trainingsziel von GraphCast, nämlich der mittlere quadratische Fehler (MSE), fördert bei Unsicherheit eine räumliche Unschärfe der Vorhersagen, was bei manchen Anwendungen nicht ideal sein kann, insbesondere im Zusammenhang mit der Kenntnis der Extrem- oder gemeinsamen Wahrscheinlichkeiten von Ereignissen.

Darüber hinaus können globale KI-Modelle aufgrund von Einschränkungen bei den Trainingsdaten und der technischen Konstruktion noch nicht so viele Parameter oder so ausgefeilte Vorhersagen generieren wie herkömmliche Modelle. Dies macht KI-Modelle weniger nützlich für die Vorhersage kleinerer Phänomene wie Gewitter und Sturzfluten oder für die Prognose größerer Wettersysteme, die in einem kleinen Gebiet große Unterschiede im Niederschlag verursachen können.

Darüber hinaus vertrauen Meteorologen KI-Modellen noch nicht besonders, da deren Funktionsweise weniger transparent ist als bei herkömmlichen Modellen. „Eine Schlüsselrolle von Meteorologen besteht darin, Informationen zu erklären und an Partner weiterzugeben. Diese Aufgabe wird noch schwieriger, da es an Werkzeugen mangelt, um herauszufinden, warum KI-Modelle die Vorhersagen treffen, die sie treffen“, sagte Jacob Radford, ein Datenvisualisierungsforscher am Cooperative Institute for Research in the Atmosphere der Colorado State University, in einer E-Mail. „Diese Modelle stecken noch in den Kinderschuhen und müssen in der Forschungs- und Prognostikergemeinschaft noch Vertrauen aufbauen, bevor sie für den Einsatz in Betracht gezogen werden können.“

Obwohl die Studie viele Einschränkungen aufweist, sind die Forscher zuversichtlich , dass sie einen wichtigen Wendepunkt in der Wettervorhersage darstellt und der Menschheit einen neuen Weg eröffnet .

Darüber hinaus, so sagen sie, sollte dieser Ansatz nicht als Ersatz für traditionelle Methoden der Wettervorhersage betrachtet werden , die über Jahrzehnte entwickelt und in vielen realen Umgebungen gründlich getestet wurden und viele Möglichkeiten bieten, die noch erforscht werden müssen.

„Vielmehr sollte unsere Arbeit als Beweis dafür interpretiert werden, dass die KI-Wettervorhersage den Herausforderungen realer Prognoseprobleme gewachsen ist und das Potenzial hat, die aktuellen hochmodernen Methoden zu ergänzen und zu verbessern.“

Einige Fortschritte bei der KI-Wettervorhersage

In den vergangenen zwei Jahren haben große Technologieunternehmen wie Google, Microsoft und Nvidia zahlreiche Fortschritte bei der KI-basierten Wettermodellierung erzielt. Alle drei Unternehmen haben wissenschaftliche Arbeiten veröffentlicht, in denen sie erklären, dass ihre KI-Modelle mindestens so gut funktionieren wie das europäische Modell. Diese Behauptungen wurden von Wissenschaftlern des ECMWF bestätigt.

Im Juli dieses Jahres wurden in zwei in Nature veröffentlichten Forschungsarbeiten zum Thema „KI-Wettervorhersage“ auch zwei KI-basierte Wettervorhersagemethoden erwähnt.

Das von Huawei Cloud entwickelte Pangu-Weather-Modell verwendet 39 Jahre globale Reanalyse-Wetterdaten als Trainingsdaten. Seine Vorhersagegenauigkeit ist mit der des weltweit besten numerischen Wettervorhersagesystems IFS vergleichbar und bei gleicher räumlicher Auflösung mehr als 10.000 Mal schneller als das IFS-System.

Darüber hinaus kann das von einem gemeinsamen Forschungsteam unter der Leitung von Michael Jordan, einer führenden Persönlichkeit auf dem Gebiet des maschinellen Lernens und Professor an der University of California, Berkeley, und Wang Jianmin, Professor an der Tsinghua-Universität, vorgeschlagene Modell NowcastNet physikalische Gesetze und Deep Learning kombinieren, um Niederschlagsvorhersagen in Echtzeit zu erstellen.

Letzten Monat gab das britische Met Office eine Partnerschaft mit dem Alan Turing Institute, einem KI-Forschungszentrum, bekannt, um ein eigenes neuronales Netzwerk für Wettervorhersagen zu entwickeln und es in die bestehende Supercomputer-Infrastruktur zu integrieren.

Simon Vosper, Wissenschaftsdirektor des britischen Met Office, sagte, der Klimawandel müsse bei den Prognosen berücksichtigt werden. „ Wenn KI-basierte Systeme nur anhand früherer Wetterbedingungen ‚trainiert‘ werden, stellt sich die Frage, ob diese Systeme in der Lage sein werden, neue extreme Wetterbedingungen zu erfassen .“

„Unser Ziel ist es, das Beste, was die KI zu bieten hat, zu nutzen und gleichzeitig traditionelle Computermodelle auf der Grundlage der Atmosphärenphysik zu nutzen“, sagte Vosper. „Wir sind davon überzeugt, dass diese Technologiefusion in diesem Zeitalter großer Veränderungen die aussagekräftigsten und detailliertesten Wettervorhersagen liefern wird.“

Es ist absehbar, dass der Einsatz von KI bei der Wettervorhersage den Alltag der Menschen verbessern wird, aber KI wird hier nicht enden.

Google DeepMind erwähnte in einem Blogbeitrag: „Unsere Forschung geht über die Wettervorhersage hinaus und zielt darauf ab, umfassendere Klimamuster zu verstehen. Durch die Entwicklung neuer Tools und die Beschleunigung der Forschung hoffen wir, dass KI der internationalen Gemeinschaft helfen kann, die größten ökologischen Herausforderungen zu bewältigen, vor denen wir stehen.“

Referenzlinks:

https://www.science.org/doi/10.1126/science.adi2336

https://github.com/google-deepmind/graphcast

https://deepmind.google/discover/blog/graphcast-ai-model-for-faster-and-more-accurate-global-weather-forecasting/

https://www.ft.com/content/ca5d655f-d684-4dec-8daa-1c58b0674be1

https://www.washingtonpost.com/weather/2023/11/14/weather-forecasting-artificial-intelligence-google/

Autor: Yan Yimi Herausgeber: Academic Jun