Rekordhitzewellen, sintflutartige Regenfälle, Superzellen-Gewitter: Die extremen Ereignisse verstärken sich durch den Klimawandel mit schwerwiegenden menschlichen und wirtschaftlichen Folgen. Modelle der künstlichen Intelligenz revolutionieren die Wettervorhersage. Aber können sie diese außergewöhnlichen Episoden vorhersagen?
Ein Team der Universität Genf (UNIGE) und des Karlsruher Instituts für Technologie zeigt, dass klassische numerische Modelle bis heute zuverlässiger sind, um extreme Phänomene vorherzusagen, auch wenn KI-Modelle sie in alltäglichen Situationen übertreffen. Diese Ergebnisse sind in
Science Advances veröffentlicht.
Beobachtung der Hitzewelle, die Sibirien im Jahr 2020 heimsuchte, alle Rekorde brach und insbesondere schwere Waldbrände verursachte (Bild generiert aus Daten des Europäischen Zentrums für mittelfristige Wettervorhersage). Um das Wetter für die kommenden Tage oder Wochen vorherzusagen, stützen sich Meteorologen auf Simulationen, die von komplexen mathematischen Modellen erzeugt werden. Gespeist mit großen Datenmengen – gesammelt von Wetterstationen, Satelliten oder Flugzeugen – wenden sie die physikalischen Gesetze auf diese Informationen an, um den zukünftigen Zustand der Atmosphäre zu simulieren.
Das
Europäische Zentrum für mittelfristige Wettervorhersage verwendet beispielsweise ein Modell namens
High RESolution forecast oder „HRES“. Es liefert Simulationen für 35 Länder des Kontinents auf der Grundlage dieses Modells.
Obwohl diese Methode zuverlässig und robust ist, ist sie auch teuer und energieintensiv: Sie erfordert einen großen Bestand an Supercomputern, die mehrmals täglich Millionen von Gleichungen lösen können. „Die Einführung der ersten Modelle auf Basis künstlicher Intelligenz vor etwa drei Jahren, parallel zum traditionellen numerischen Ansatz, hat den Weg für eine Vereinfachung der Prozesse und eine Senkung ihrer Kosten geebnet“, erklärt Sebastian Engelke, Professor am Research Institute for Statistics and Information Science der Geneva School of Economics (GSEM) der UNIGE.
Aber ist dieser KI-Ansatz in der Lage, das Auftreten extremer, oft beispielloser Ereignisse bis zu zehn Tage im Voraus vorherzusagen? In einer aktuellen Studie zeigt das Team von Sebastian Engelke, dass KI die klassischen Modelle – in diesem Fall das HRES – bei der Vorhersage alltäglicher Situationen übertrifft, aber bei der Vorhersage der Intensität und Häufigkeit extremer Temperaturen und Winde größere Fehler macht als das HRES.
„Das Hauptproblem der KI-Modelle ist ihre Schwierigkeit, über die Daten hinaus zu verallgemeinern, mit denen sie trainiert wurden und die den Zeitraum von 1979 bis 2017 abdecken. Sie neigen dazu, sich auf bereits in der Vergangenheit beobachtete Extremwerte zu beschränken, als ob sie auf eine implizite Obergrenze stoßen würden. Im Gegensatz dazu werden konventionelle Modelle, die auf der Atmosphärenphysik basieren, nicht durch diese Grenze eingeschränkt und können theoretisch beispiellose Situationen darstellen“, erklärt Zhongwei Zhang, ehemaliger Postdoktorand im Team von Sebastian Engelke, heute am Institut für Statistik des Karlsruher Instituts für Technologie und Erstautor der Studie.
Diese Ergebnisse verdeutlichen die aktuellen Grenzen von Wettermodellen auf Basis künstlicher Intelligenz, wenn es darum geht, über ihren Lernbereich hinaus zu extrapolieren und rekordverdächtige Wetterereignisse vorherzusagen. Sie unterstreichen die Notwendigkeit, ihre Bewertung und Verbesserung fortzusetzen, bevor sie eigenständig in Frühwarnsystemen und Katastrophenmanagement eingesetzt werden können.
Quelle: Universität Genf