Studie: Hybrid-Modell soll Wettervorhersagen günstiger und effizienter machen
Bei mittelfristigen Wettervorhersagen ist Künstliche Intelligenz unzuverlässig, die klassischen Verfahren teuer. Ein Hybrid soll die Vorzüge beider vereinen.
Ein hybrides Modell soll die Vorteile von KI-Berechnungen und klassischen Wettervorhersage-Modellen kombinieren und perfektionieren.
(Bild: Shutterstock/Milos Milosevic)
Eine Kombination aus klassischen Wettervorhersagemodellen (GCM – general circulation models) und Künstlicher Intelligenz (KI) soll die besten Eigenschaften beider Ansätze vereinen und zu präziseren Ergebnissen führen. Das berichtet ein Forschungsteam von Google Research in einem Artikel, den es im Fachmagazin Nature veröffentlicht hat. Zuvor hatte KI zwar für kurzfristigere Vorhersagen bereits gute oder sogar bessere Ergebnisse als die physikalischen Modelle geliefert. In der Ensemble-Vorhersage mit mehreren möglichen Szenarien und längerfristigen Wetter- und Klimasimulationen konnte die KI allerdings keine Verbesserung erzielen. Das Modell NeuralGCM soll nun die Vorzüge der physikalischen Herangehensweise mit denen Künstlicher Intelligenz kombinieren. Bereits frühere KI-Ansätze hatten versprochen, deutlich ressourcenschonender zu sein – etwa hinsichtlich des Energiebedarfs.
KI-Update abonnieren
Werktägliches Update zu den wichtigsten KI-Entwicklungen, freitags immer mit Deep Dive.
E-Mail-Adresse
Ausführliche Informationen zum Versandverfahren und zu Ihren Widerrufsmöglichkeiten erhalten Sie in unserer Datenschutzerklärung.
Das Modell sei mit KI-Modellen für Vorhersagen von ein bis zehn Tagen konkurrenzfähig und übertreffe diese mitunter, schreibt das Forschungsteam, ebenso könne es mit der Ensemble-Vorhersage des Europäischen Zentrums für mittelfristige Vorhersagen (ECMWF) für ein- bis fünfzehntägige Vorhersagen konkurrieren. Das Modell könne außerdem auf Basis der Oberflächentemperatur des Meeres für mehrere Jahrzehnte Klimametriken nachvollziehen. Vorhersagen mit einer Auflösung auf 140 Kilometer könnten etwa Phänomene wie eine realistische Häufigkeit und den Weg tropischer Wirbelstürme aufzeigen, so die Forscher in dem Aufsatz.
KI-Modelle nur bei kurzfristiger Vorhersage zuverlässig
Klassische Berechnungsmethoden arbeiten mit Werten wie Luftdruck, Temperatur oder Feuchtigkeit in der Erdatmosphäre und physikalischen Gleichungen. Um den Rechenaufwand zu reduzieren, muss die komplexe Natur vereinfacht dargestellt werden. Das gilt beispielsweise für die Wolkenbildung, die zugleich eine entscheidende Rolle für die Vorhersage spielt. Die numerische Herangehensweise habe sich in den vergangenen 70 Jahren verbessert, habe aber auch bessere Computer für die Berechnungen verlangt.
KI-Modelle wie GraphCast – aus der Feder von Googles KI-Firma Deepmind – oder Huaweis Pangu lernen durch Reanalyse aus historischen Wetterlagen und berechnen daraus, wie das Wetter sich entwickeln könnte. Schwierigkeiten hatten die Modelle bei den Ensemble-Vorhersagen: Durch die Eigenheit der Atmosphäre, ein chaotisches System zu sein, können bereits kleine Unsicherheiten zu großen Fehlinterpretationen und Fehlern in der Vorhersage führen. Durch das "Ensemble" an Vorhersagen, das unterschiedliche Parameter abdeckt, soll diese Varianz im Ergebnis abgedeckt werden. Je weiter die Vorhersage in die Zukunft blicken soll, desto größer sind die möglichen Unterschiede zwischen den möglichen Wetterszenarien.
Weitere Forschung notwendig
Im Vergleich zu den klassischen Vorhersagemodellen sei Neural GCM effizienter und weniger komplex, schreibt das Forschungsteam. Zugleich gehen die Forscherinnen und Forscher davon aus, dass es alternative Trainingsstrategien brauchen wird, um wichtige Prozesse für das Klima mit unterschwelligen Auswirkungen auf das Wetter zu verstehen. Das Team sieht außerdem das Potenzial, dass hybride Modelle aus KI und physikalischen Modellen auch in weiteren Bereichen Einzug halten könnten – beispielsweise der Materialforschung.
(are)