Die Dynamik des Wetters ist ein komplexes physikalisches Phänomen, das von zahlreichen Faktoren abhängt, darunter Luftdruck, Luftfeuchtigkeit, Temperatur und Windgeschwindigkeit. Um das Wetter vorherzusagen, kommen bislang aufwendige Modelle zum Einsatz, die diese Faktoren mit Hilfe von Differentialgleichungen beschreiben und in Algorithmen umwandeln. Diese sogenannten numerischen Wettervorhersagemodelle (NWPs) gelten bislang als Goldstandard für möglichst präzise Wettervorhersagen. Sie werden verwendet, um auf Basis der aktuellen Wetterdaten die Prognosen zu erstellen. Allerdings erfordern sie leistungsfähige Großrechner, und jede Verfeinerung benötigt zusätzliche Rechenkapazität.
Training mit historischen Daten
Ein Team um Remi Lam von Google DeepMind in London hat nun ein Modell mit einem anderen Ansatz entwickelt. Ihr Modell GraphCast basiert auf gekoppelten neuronalen Netzwerken, die anhand historischer Wetterdaten von 1979 bis 2017 trainiert wurden. Dabei lernte das System, wie sich bestimmte Kombinationen von meteorologischen Parametern typischerweise weiterentwickeln und welche Wetterlagen daraus resultieren. Dies erfolgt ohne die komplexen physikalischen Berechnungen, auf denen herkömmliche Modelle basieren. Dadurch benötigt das KI-System deutlich weniger Rechenkapazität: Statt mehrerer Großrechner genügt ein für Deep Learning entwickelter Rechenchip, der kaum größer ist als eine Briefmarke.
Innerhalb von weniger als einer Minute kann GraphCast 10-Tage-Wettervorhersagen mit einer Auflösung von etwa 0,25 Breiten- und Längengraden, also etwa 28 mal 28 Kilometern, generieren. Als Input dient dabei das aktuelle Wetter sowie das Wetter von vor sechs Stunden. Auf dieser Grundlage prognostiziert das Modell, wie das Wetter in sechs Stunden sein wird. Dieses Ergebnis wird wiederum in das Modell zurückgeführt und als neuer Ist-Zustand angenommen, auf dessen Basis erneut das Wetter in weiteren sechs Stunden vorhergesagt wird – und so weiter.
Genauer als der bisherige Goldstandard
Um die Zuverlässigkeit des KI-Systems zu ermitteln, ließen es die Forschenden gegen das bisher genaueste herkömmliche Wettermodell mit mittlerer Reichweite antreten. Das Ergebnis: „In 90 Prozent der Fälle war GraphCast dem bisher besten deterministischen Model deutlich überlegen“, berichten die Forschenden. „Zudem sagte es Extremwetterereignisse besser voraus, darunter die Zugbahnen tropischer Zyklone sowie extreme Hitze- und Kältewellen, obwohl es dafür nicht eigens trainiert wurde.“ Die Vorhersagen in den Testdurchläufen bezogen sich auf Wetterereignisse im Jahr 2018, die nicht im Trainingsdatensatz enthalten waren.
Bei Vorhersagen für das Jahr 2021 war GraphCast etwas weniger genau, aber immer noch ähnlich gut wie das bisher beste Modell. Die Forschenden schließen daraus, dass es für die Genauigkeit hilfreich ist, wenn die Trainingsdaten möglichst aktuell sind. Tatsächlich verbesserten sich die Vorhersageleistungen für 2021, wenn sie GraphCast zusätzlich mit Wetterdaten bis 2020 trainierten. „Ein regelmäßiges erneutes Training anhand aktueller Wetterdaten ermöglicht, auch Wetterphänomene zu erfassen, die sich mit der Zeit ändern, beispielsweise durch den Klimawandel“, schreibt das Team.
