Künstliche Intelligenz (KI) hat die Wettervorhersage revolutioniert. Mit deutlich weniger Ressourcen als die konventionellen Methoden können KI-Algorithmen mit hoher Genauigkeit prognostizieren – mit einer Ausnahme, sagt ein Team des Karlsruher Instituts für Technologie (KIT) und der Universität Genf.
KI-Modelle wie WeatherNext 2 von Googles KI-Abteilung Deepmind sind inzwischen, was die Genauigkeit angeht, den physikbasierten numerischen Modellen von der Genauigkeit her mindestens ebenbürtig, wenn nicht sogar überlegen. WeatherNext 2 etwa kann Vorhersagen für zwei Wochen in Bezug auf Temperatur, Luftdruck und Wind mit einer Genauigkeit von einer Stunde liefern – bisherige Systeme können das nur für zwei Tage. Dabei benötigt WeatherNext 2 weniger Rechenleistung.
Geht es hingegen um Extremwetterereignisse mit Rekordtemperaturen, -windgeschwindigkeiten oder -niederschlägen hingegen, haben sich die KI-Wettermodelle als weniger stark erwiesen, wie das KIT-Team um Zhongwei Zhang herausgefunden hat. Hier sei das physikbasierte hochauflösende Modell HRES des Europäischen Zentrums für mittelfristige Wettervorhersage (European Centre for Medium-Range Weather Forecasts, ECMWF) noch überlegen.
Das Team verglich die Ergebnisse mehrerer KI-Modelle, darunter GraphCast, Pangu Weather und Fuxi mit denen von HRES. Bei der Gesamtbewertung aller Wetterlagen schnitten die KI-Modelle dabei gut ab.
Fehler bei der Vorhersage von Rekordwerten
Bei Rekordereignissen hingegen waren ihre Prognosen fehlerhaft. Das galt vor allem für die Häufigkeit von extremen Ereignissen sowie für deren Intensität. „Unsere Analysen zeigen, dass KI-Modelle die Intensität von Hitze-, Kälte- und Windrekorden generell unterschätzen“, sagte Projektleiter Zhang. „Je stärker ein Rekord vorherige Extremwerte übertrifft, desto größer ist die Unterschätzung.“
Da sei systemimmanent, sagen die Forscher: KI-Modelle lernten aus historischen Daten. Ihre Stärke liege darin, Muster vorherzusagen, die bereits dagewesenen Situationen ähnelten. Rekordereignisse, wie sie im Zuge des Klimawandels immer häufiger auftreten, liegen aber außerhalb der bisherigen Erfahrung.
„Neuronale Netze haben Schwierigkeiten, verlässlich über ihren Trainingsbereich hinaus zu extrapolieren – also Vorhersagen jenseits der bisher beobachteten Werte zu treffen“, sagte Sebastian Engelke von der Universität Genf. „Physikalische Modelle wie HRES basieren dagegen auf grundlegenden Gesetzen der Physik. Dies stellt sicher, dass ihre Vorhersagen auch dann noch zuverlässig sind, wenn die Atmosphäre in Zustände übergeht, die noch nicht beobachtet wurden.“
Die Ergebnisse seien für Frühwarnsysteme relevant, betonen die Forscher: Werden Extremereignisse unterschätzt, könne es sein, dass zu spät oder gar nicht gewarnt werde. Deshalb könnten KI-Wettermodelle die numerischen Vorhersagen derzeit nicht ersetzen, schreibt das Team in der Fachzeitschrift Science Advances. „Für risikoreiche Anwendungen sollte man sich nicht ausschließlich auf KI verlassen“, resümierte Zhang. Beide Ansätze sollten parallel genutzt werden.
(wpl)
English (US) ·