Klassische Modelle zur Wettervorhersage berechnen in komplizierten Differentialgleichungen zahlreiche Parameter des Wetters, darunter Luftdruck, Luftfeuchtigkeit, Temperatur und Windgeschwindigkeit. Dafür sind leistungsfähige Großrechner erforderlich, die für die Vorhersagen oft mehrere Stunden brauchen. KI-Modelle dagegen lassen die physikalischen Hintergründe außen vor. Stattdessen lernen sie allein auf Basis historischer Wetterdaten, aus dem aktuellen Wetter auf das zukünftige Wetter zu schließen.
Besser als bisherige Modelle
Nun hat ein Team um Ilan Price von Google DeepMind in London die bislang fortschrittlichste Wetter-KI präsentiert. Trainiert wurde das GenCast genannte Modell anhand historischer Wetterdaten aus den Jahren 1979 bis 2018. Es bezieht bei seinen Berechnungen mehr als 80 Variablen zu den Gegebenheiten in der Atmosphäre und am Boden ein. Anhand dessen sagt GenCast das Wetter bis zu 15 Tage im Voraus vorher, mit einer Auflösung von etwa 28 mal 28 Kilometern – und liefert sein Ergebnis innerhalb von nur acht Minuten.
Um die Zuverlässigkeit ihres Modells zu testen, erstellten die Forschenden Wettervorhersagen für das Jahr 2019, das nicht in den Trainingsdaten enthalten war. Diese Prognosen verglichen sie zum einen mit dem tatsächlich eingetretenen Wetter und zum anderen mit dem derzeit besten klassischen Vorhersagemodell des Europäischen Zentrums für mittelfristige Wettervorhersage, genannt ENS. „Bei 97,2 Prozent der 1320 von uns untersuchten Ziele war GenCasts Vorhersage genauer als bei ENS“, berichten die Forschenden. „Zudem ist insbesondere die Vorhersage extremer Wetterlagen, tropischer Wirbelstürme und der Windenergieerzeugung zuverlässiger.“
