Hurrikan Florence aus Sicht der Internationalen Raumstation
Große Konzerne haben eine neue Generation von maschinellen Lernmodellen für die Wettervorhersage eingeführt.
Diese Modelle stellen die etablierten, physikalisch basierten Vorhersagemethoden in Frage, die über Jahrzehnte hinweg verfeinert wurden.
Aber wie effektiv sind diese Machine-Learning-Modelle?
Wetter ist ein wichtiger Aspekt des britischen Lebens, angesichts der häufigen und dramatischen Veränderungen der Bedingungen.
Genaue Wettervorhersagen sind für die tägliche Planung entscheidend, aber genaue Vorhersagen von schwerem Wetter sind noch wichtiger für Verhaltensanpassungen, lebensrettende Maßnahmen und die Schadensbegrenzung an Eigentum.
Der globale wirtschaftliche Wert genauer Wettervorhersagen ist unermesslich, aber unbestreitbar erheblich.
Laut NOAA (National Oceanic and Atmospheric Administration) beliefen sich allein in den USA die Schäden durch Wetterkatastrophen mit über 1 Mrd. US-Dollar (740 Mio. GBP) im Jahr 2024 auf 182 Mrd. US-Dollar, mit 568 Todesopfern.
Seit 1980 übersteigen die Gesamtschäden fast 3 Billionen US-Dollar.
In Großbritannien führten die Hitzewellen 2024 zu 1311 zusätzlichen Todesfällen.
Eine Studie von London Economics, externe Quelle schätzte, dass das Met Office über ein Jahrzehnt hinweg durch meteorologische Dienste einen wirtschaftlichen Nutzen von 56 Milliarden Pfund für Großbritannien generiert.
Hochgerechnet auf globaler Ebene, mit einer wachsenden Bevölkerung, die aufgrund des Klimawandels zunehmend extremen Wetterbedingungen ausgesetzt ist, ist die Wettervorhersage eine wichtige Branche.
Bewältigung von Hitzewellen
Traditionelle Vorhersagen stützen sich auf einige der leistungsstärksten Supercomputer der Welt; der Supercomputer-Vertrag des Met Office hat einen Wert von 1,2 Milliarden Pfund.
Diese Investition liefert eine Maschine, die 60 Billiarden (60.000.000.000.000.000) Berechnungen pro Sekunde durchführen kann, ein physikalisch basiertes Modell mit über einer Million Codezeilen betreibt und 215 Milliarden Wetterbeobachtungen verwendet.
Globale Modelle verarbeiten Daten in einem Raster von Boxen über den Planeten. Die Auflösung variiert von ungefähr 10 km² bis 28 km² (3,86 Meilen² bis 10,81 Meilen²).
Diese Auflösung begrenzt die genaue Schauerprognose, und Berge erscheinen weniger ausgeprägt als in der Realität.
Das hochauflösendste Modell des Met Office, UKV (verwendet für die 48-Stunden-Vorhersagen des BBC-Fernsehens), sagt Schauer mit einer Auflösung von 1,5 km (0,9 Meilen) voraus. Seine Rechenanforderungen beschränken seinen Einsatz jedoch auf Großbritannien und Europa.
Machine-Learning-Modelle sind relativ neu, aber ihre Entwicklung ist schnell und vielversprechend.
Traditionelle Modelle benötigen Stunden auf teuren Supercomputern, während diese neuen Modelle in weniger als einer Minute auf Standard-Laptops laufen können. Sie umgehen detaillierte Physik und lernen stattdessen aus 40 Jahren historischer Daten.
Ihre Leistung?
Die ECMWF-Atmosphärendruckdaten (Europäisches Zentrum für mittelfristige Wettervorhersagen) Winter 2024/2025 zeigen, externe Quelle, dass GraphCast (Google), AIFS (ECMWF) und Aurora (Microsoft) die traditionelle IFS-Benchmark (ECMWF) übertreffen, während FourCastNet (Nvidia) und Pangu-Weather (Huawei) zurückblieben.
Die Leistung variiert je nach Variable, und der Fortschritt ist schnell.
Die Genauigkeit nimmt mit der Vorhersagezeit ab, was die chaotische Natur der Atmosphäre widerspiegelt. Zehntagevorhersagen, unabhängig vom Modelltyp, sind nicht ausreichend genau.
Sollten wir physikalisch basierte Modelle aufgeben?
Noch nicht.
Machine-Learning-Modelle basieren auf Daten aus traditionellen Modellen und verwenden deren atmosphärische Ausgangspunkte. Ohne traditionelle Modelle wären Machine-Learning-Modelle deutlich weniger effektiv.
Sie sind zwar hervorragend in der Vorhersage von großräumigen Merkmalen wie Hoch- und Tiefdruckgebieten, schneiden aber bei Skalen unter 1000 km schlechter ab als traditionelle Modelle.
Dies bedeutet, dass wichtige Merkmale wie Mulden und Rücken möglicherweise übersehen werden, wodurch sich Vorhersagen von trockenem zu starkem Regen ändern.
Nachwirkungen der Boscastle-Fluten, Cornwall, August 2004
Die meisten Machine-Learning-Modelle haben eine Auflösung von 28 km², die ihren Trainingsdaten entspricht. Das bedeutet, dass kleinräumige Merkmale wie Schauer wahrscheinlich übersehen werden, was die Vorhersage von Ereignissen wie den Boscastle-Fluten Tage im Voraus behindert.
Schlagzeilen deuten auf eine bessere Hurrikanvorhersage hin.
Während einige Modelle leicht verbesserte Landfallvorhersagen gezeigt haben, waren die Vorhersagen der Windstärke – und damit der potenziellen Schäden – schwächer. Dies könnte auf Glättungseffekte bei der Analyse von 40 Jahren Hurrikandaten zurückzuführen sein.
Der Ausbruch des Pinatubo-Vulkans 1991 auf den Philippinen war der zweitgrößte des 20. Jahrhunderts
KI-Modelle könnten mit seltenen Ereignissen zu kämpfen haben, die im 40-jährigen Trainingsdatensatz unterrepräsentiert sind. Der Ausbruch des Pinatubo-Vulkans 1991, der für zwei Jahre einen globalen Temperaturabfall von bis zu 0,5 °C verursachte, dient als Beispiel.
Es gibt auch Bedenken hinsichtlich ihrer Leistung in einer sich erwärmenden Welt. Die vergangenen Klimadaten, an denen sie trainiert werden, werden sich deutlich vom zukünftigen Klima unterscheiden, da die Treibhausgaskonzentrationen zunehmen.
Die Zukunft in fünf Jahren?
Professorin Kirstine Dale, Chief AI Officer des Met Office, sieht „traditionelle und KI-Modelle, die zusammenarbeiten, um hyperlokale, genaue und schnelle Vorhersagen zu liefern“.
Trotz ihrer kurzen Geschichte zeigen Machine-Learning-Modelle angesichts ihrer Geschwindigkeit, Effizienz und rasanten Entwicklung ein immenses Potenzial.
Könnte KI menschliche Wettervorhersager ersetzen?