Was ist die Prognose für morgen? KI zur Vorhersage

Die Erde, auf der wir leben, erlebt einen der heißesten Sommer der Menschheitsgeschichte.

Am 3. Juli 2023 überschritt die globale Durchschnittstemperatur in 2 Metern Höhe über der Erdoberfläche erstmals 17 Grad Celsius und erreichte damit die höchste jemals gemessene Temperatur . Neben den menschlichen Aktivitäten ist auch das starke Klimaphänomen „El Niño“ einer der Gründe für die Verschärfung der globalen Höchsttemperaturen in diesem Sommer.

Abbildung | Globale Durchschnittstemperatur 2 Meter über der Erdoberfläche (Quelle: University of Maine)

Hohe Temperaturen führen nicht nur in einigen Gebieten zu Geschäfts- und Produktionsstillständen und verursachen so wirtschaftliche Verluste in der Region, sondern gefährden auch unsere Gesundheit und können sogar zum Tod führen, beispielsweise durch einen Hitzschlag, der durch längere Exposition gegenüber hohen Temperaturen verursacht wird.

Neben den ungewöhnlich hohen Temperaturen werden auch die in den letzten Jahren häufigen extremen Wetterereignisse wie Tsunamis, Taifune (Hurrikane), Überschwemmungen, Hagel usw. unermessliche negative Auswirkungen auf das menschliche Wirtschaftsleben haben.

Die Weltbank schätzt, dass verbesserte Wettervorhersagen und Frühwarnsysteme weltweit nicht nur Zehntausende von Menschenleben retten, sondern auch einen wirtschaftlichen Nutzen von 162 Milliarden US-Dollar pro Jahr bringen könnten. Darüber hinaus waren in den letzten 50 Jahren mehr als 34 % der registrierten Katastrophen, 22 % der damit verbundenen Todesfälle (1,01 Millionen Menschen) und 57 % der damit verbundenen wirtschaftlichen Verluste (2,84 Billionen US-Dollar) auf extreme Niederschlagsereignisse zurückzuführen.

Foto: Die Insel nach der Verwüstung durch einen katastrophalen Hurrikan.

Daher ist die Frage, wie sich kurzfristige und zukünftige Wetterbedingungen rechtzeitig und genau vorhersagen lassen, zu einem der wichtigsten Themen geworden, mit denen sich Wissenschaftler auseinandersetzen.

Künstliche Intelligenz (KI) dürfte eine schnellere und kostengünstigere Alternative zur Verbesserung der Vorhersage extremer Wettervorhersagen sein .

Welches Potenzial hat KI also für die Unterstützung der Wettervorhersage? Was ist der aktuelle Vorhersageeffekt?

Heute wurden in zwei in Nature veröffentlichten Forschungsarbeiten zum Thema „KI-Wettervorhersage“ zwei KI-basierte Wettervorhersagemethoden erwähnt . Eine davon kann globale Wettermuster eine Woche im Voraus vorhersagen, die andere kann kurzfristiges Wetter, etwa extreme Niederschlagsereignisse, vorhersagen.

Dem Papier zufolge sind diese beiden KI-basierten Methoden genauso genau wie bestehende Methoden und können sogar Wetterphänomene vorhersagen, die zuvor schwer vorherzusagen waren.

Allerdings bestehen noch immer gewisse Unsicherheiten und Kontroversen darüber, ob und wann diese KI-Modelle für Meteorologen zum wichtigsten Werkzeug bei der Erstellung von Wettervorhersagen werden können. Die wichtigsten Überlegungen betreffen die Betriebskosten dieser KI-Modelle nach der Kommerzialisierung und die Frage, ob sie das Vertrauen der Menschen gewinnen können .

Was ist die Prognose für morgen? KI zur Vorhersage

Wettervorhersagen spielen eine wichtige Rolle bei der Rettung von Menschenleben und der Verringerung von Sachschäden, insbesondere da extreme Wetterereignisse immer häufiger auftreten.

Das derzeit genaueste Vorhersagesystem ist die numerische Wettervorhersage, die hauptsächlich auf physikalischen Gleichungen beruht, jedoch hohe Anforderungen an die Rechenleistung stellt und Unterstützung durch Methoden wie Hochleistungsrechnen benötigt. Darüber hinaus ist es normalerweise langsam; eine einzelne Simulation dauert selbst auf einem Supercomputer mit Hunderten von Knoten mehrere Stunden.

In den letzten Jahren haben einige KI-basierte Methoden gezeigt, dass sie das Potenzial haben, die Geschwindigkeit der Wettervorhersage deutlich zu verbessern und eine 24-Stunden-Vorhersage in wenigen Sekunden zu erstellen. Allerdings ist die Genauigkeit im Allgemeinen nicht so gut wie bei der numerischen Wettervorhersage.

In einem Artikel mit dem Titel „Genaue mittelfristige globale Wettervorhersage mit 3D-neuronalen Netzwerken“ schlug ein Forschungsteam unter der Leitung von Tian Qi, Chefwissenschaftler von Huawei Cloud AI, ein KI-basiertes Wettervorhersagesystem vor: Pangu-Weather. Zu den wichtigsten technischen Beiträgen zählen der Entwurf der 3DEST-Architektur und die Anwendung einer hierarchischen Zeitaggregationsstrategie für mittelfristige Prognosen.

Abbildung｜Netzwerktraining und Inferenzstrategien. (Quelle: Nature)

Es wird berichtet, dass dieses KI-Modell 39 Jahre globale Reanalyse-Wetterdaten als Trainingsdaten verwendet und seine Vorhersagegenauigkeit mit der des weltweit besten numerischen Wettervorhersagesystems IFS vergleichbar ist. Noch wichtiger ist, dass Ersteres bei gleicher räumlicher Auflösung mehr als 10.000 Mal schneller ist als Letzteres.

Wie in dem Artikel erwähnt, unterliegt die Meteorologie von Pangu jedoch auch gewissen Einschränkungen.

Beispielsweise wurde das Modell anhand von Reanalysedaten trainiert und getestet, während echte Wettervorhersagesysteme Beobachtungsdaten verwenden. Wettervariablen wie Niederschlag wurden nicht untersucht, und das Ignorieren dieser Faktoren kann dazu führen, dass dem Modell einige Fähigkeiten fehlen (wie etwa die Verwendung von Niederschlagsdaten zur genauen Vorhersage kleinerer extremer Wetterereignisse wie Tornados). Die Methode kann zu gleichmäßigeren Prognoseergebnissen führen, wodurch das Risiko einer Unterschätzung des Ausmaßes extremer Wetterereignisse steigt. und es gibt Probleme wie Zeitinkonsistenz.

Trotzdem zeigt Pangu Meteorology immer noch das Potenzial großer vortrainierter Modelle in der Wettervorhersage. In der Zukunft hofft das Forschungsteam, das Modell weiter zu iterieren, indem es mehr vertikale Ebenen und atmosphärische Variablen zusammenführt, die Zeitdimension integriert und 4D-Tiefennetzwerke trainiert und tiefere und breitere Netzwerke verwendet.

Extreme Niederschläge sind ein wichtiger Faktor, der zu Wetterkatastrophen führt. Daher sind genaue Vorhersagen mit hoher Auflösung, angemessener Vorlaufzeit und lokalen Details dringend erforderlich, um ihre sozioökonomischen Auswirkungen zu mildern.

In der Wettervorhersage gibt es eine sehr kurzfristige Wettervorhersage, nämlich den **„Nowcast“** vom aktuellen Zeitpunkt bis zu den nächsten 6 Stunden, der hauptsächlich dazu dient, detaillierte Informationen über das unmittelbare Wetter zu liefern und für die Risikoprävention und das Krisenmanagement bei extremen Niederschlagsereignissen sehr wichtig ist.

Allerdings leiden aktuelle Ansätze unter Unschärfe, Dissipation sowie Intensitäts- oder Positionsfehlern, physikbasierte numerische Methoden haben Schwierigkeiten, wichtige chaotische Dynamiken (wie etwa die Konvektionsinitiierung) zu erfassen, und datengesteuerte Lernmethoden halten sich nicht an intrinsische physikalische Gesetze (wie etwa die Konvektionserhaltung).

In einem anderen Artikel schlug ein gemeinsames 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, ein Modell namens NowcastNet vor, das physikalische Gesetze und Deep Learning für die Niederschlagsvorhersage in Echtzeit kombiniert .

Abbildung｜Designarchitektur von NowcastNet. (Quelle: Nature)

Es wird berichtet, dass NowcastNet beim Nowcasting gute Leistungen erbringt. Basierend auf Radarbeobachtungsdaten kann es drei Stunden im Voraus hochauflösende Niederschlagsvorhersagen für ein Gebiet von 2048 km × 2048 km erstellen . Bei einer Bewertung der Vorhersagefähigkeiten extremer Niederschläge übertraf das Modell andere Methoden bei etwa 70 % der Vorhersagen. Besonders gut funktionierte es bei extremen Niederschlagsereignissen, die bisher schwer vorherzusagen waren.

Sollten wir KI vertrauen?

In einem zusammen mit dem Papier veröffentlichten News & Views-Artikel argumentieren Imme Ebert-Uphoff, Forschungsprofessorin an der Colorado State University, und Kyle Hilburn, Forschungsassistent, dass diese Ansätze so vielversprechend seien , dass sie sogar einen Paradigmenwechsel auslösen könnten, bei dem generative KI-basierte Modelle die numerische Wettervorhersage vollständig ersetzen könnten .

Sie warnten jedoch auch davor, dass diese KI-Modelle auch einige potenzielle Risiken bergen. Beispielsweise verhalten sich KI-Systeme oft unvorhersehbar, wenn sie unter Bedingungen arbeiten, die sie noch nie zuvor erlebt haben.

Um diese Risiken zu vermeiden, ist daher die Einbeziehung von Meteorologen erforderlich, die lernen, solche Systeme zu entwerfen, zu bewerten und zu interpretieren .

Professor Russ Schumacher, ebenfalls an der Colorado State University, sagte hierzu: „ Die Bedenken der Leute gegenüber KI bestehen meist darin, dass es sich dabei um eine Blackbox handelt . Man gibt einfach ein paar Zahlen ein und bekommt ein paar Zahlen heraus, aber man weiß nicht, wie der Prozess dazwischen abläuft.“

Und obwohl Meteorologen diese „KI-Magie“ noch nicht völlig begriffen haben, lernen sie bereits, wie sie die atmosphärischen Beobachtungsdaten, die zum Ausführen traditioneller Modelle verwendet werden, in Echtzeit in KI-Modelle einspeisen können, und sammeln außerdem immer mehr Erfahrung im Umgang mit diesen KI-Modellen.

Auch in Zukunft wird es möglicherweise noch einige Zeit dauern, bis Vertrauen in das „Black Box“-Modell aufgebaut ist, doch die Praxis, KI-Modelle in der Wettervorhersage einzusetzen, wird in dieser KI-Welle weiter voranschreiten.

Was halten Sie von KI-gestützten Wettervorhersagen?

Referenzlinks:

https://www.nature.com/articles/s41586-023-06185-3

https://www.nature.com/articles/s41586-023-06184-4

https://www.nature.com/articles/d41586-023-02084-9

https://www.newscientist.com/article/2381069-earth-has-just-experienced-the-hottest-day-we-have-ever-seen/

https://www.washingtonpost.com/weather/2023/07/04/ai-weather-forecasts-hurricanes-tornadoes/