Wie wird das Wetter im Winter? Laut einem Experten des Deutschen Wetterdienstes (DWD) kann künstliche Intelligenz (KI) bei der Wettervorhersage unterstützen. Ein neues KI-Modell von Deepmind, einer Tochtergesellschaft von Google, könnte genauere, schnellere und verlässlichere Wetterprognosen ermöglichen. Ein DWD-Experte erklärt jedoch, dass KI-Modelle in bestimmten Bereichen noch nicht mit klassischen, physikalisch-basierten Modellen mithalten können. Daher sollten KI-Modelle als Ergänzung, nicht als Ersatz betrachtet werden.
Roland Potthast, Leiter der numerischen Wettervorhersage beim DWD, bezeichnet die Studie, die im Fachblatt Nature veröffentlicht wurde, als einen wichtigen Schritt. Diese Modelle hätten viel Potenzial, das nun erschlossen werden müsse. Die Ansätze von Google und anderen Technologieunternehmen könnten Wetterdienste ergänzen, inspirieren und weiterentwickeln. So könnten der Allgemeinheit immer bessere Vorhersagen und Warnungen bereitgestellt werden.
Das maschinell lernende Wettervorhersagemodell namens Gencast wurde von einem Team um Ilan Price von Deepmind entwickelt. Die Studie wurde ausschließlich von Deepmind-Mitarbeitern durchgeführt und von unabhängigen Gutachtern bewertet. Das Team kam zu dem Ergebnis, dass Gencast die beste herkömmliche mittelfristige Wettervorhersage übertrifft. Das Modell kann extreme Wetterlagen, die Zugbahn tropischer Wirbelstürme und die Entwicklung von Windstärken besser vorhersagen.
Die KI wurde auf der Grundlage von Wetterereignissen aus 40 Jahren (1979 bis 2018) trainiert. Anschließend testete die Forschungsgruppe, wie gut Gencast das Wetter für 2019 prognostizieren konnte. Gencast kann innerhalb von acht Minuten globale 15-Tage-Vorhersagen erstellen. Für solche mittelfristigen Prognosen galt bisher das Europäische Zentrum für mittelfristige Wettervorhersage (EZMW) als am genauesten. Bei der Vorhersage von Windgeschwindigkeiten, Temperaturen und anderen atmosphärischen Merkmalen schnitt Gencast in über 97 Prozent der Fälle besser ab.
Gencast berechnet seine Vorhersagen 50-mal pro Prognose, was die Wahrscheinlichkeit der Vorhersage-Sicherheit erhöht. Das System verspricht höhere Genauigkeit, Effizienz und Zugänglichkeit in einem breiten Spektrum von Situationen.
Der DWD testet derzeit ein eigenes KI-Modell und weitere sind in Arbeit. Diese sollen als Ergänzung zu bisherigen Methoden genutzt werden, erklärt Potthast. Physikalisch basierte Modelle und KI-Modelle werden in der Vorhersagekette des DWD kombiniert, um die bestmöglichen Vorhersagen bereitzustellen. Dies gilt für viele Variablen wie Niederschlag, Temperatur, Winde, Druck, Feuchte und mehr.
Potthast betont, dass KI als neues Werkzeug den Menschen nicht überflüssig macht. Aktuell ist sogar mehr Arbeitsleistung erforderlich, um die bisherige Qualität der physikalisch basierten Systeme aufrechtzuerhalten. KI-Modelle können diese Qualität noch nicht leisten, sondern sind nur in ausgewählten Variablen oder Scores schneller oder besser. Es gibt jedoch eine steile Lernkurve in diesem Bereich.
Wetter entsteht durch viele miteinander verbundene Prozesse, erklärt der DWD-Experte. Physikalische Modelle, wie sie in der Wettervorhersage genutzt werden, halten sich an die Naturgesetze. Das macht ihre Vorhersagen stimmig und nachvollziehbar. Maschinelle Lernmodelle funktionieren anders. Sie konzentrieren sich darauf, einzelne Werte möglichst genau vorherzusagen, ohne die Naturgesetze direkt zu beachten.
Solche Modelle verteilen die das Wetter antreibende Energie oft nicht so, wie das in der Natur passiert. In der Folge können Vorhersagen entstehen, die auf den ersten Blick gut aussehen, aber in Wirklichkeit nicht ganz stimmen, besonders wenn das Wetter komplizierter wird. Physikalische Modelle machen das besser, weil sie von Anfang an darauf ausgelegt sind, diese Zusammenhänge einzuhalten.