KI-Wetterfrosch überzeugt Experten
(Bild: Sippapas somboonkarn / Shutterstock.com)
Neues KI-Modell für Wettervorhersagen erzielt beeindruckende Ergebnisse. Experten sehen darin einen Meilenstein, weisen aber auch auf offene Fragen hin.
Die Möglichkeiten der Sprachmodelle, alltägliche Arbeiten von Menschen zu erledigen, werden in rasantem Tempo ausgelotet. Nahezu wöchentlich gibt es neue Studien, die ein weiteres Anwendungsgebiet der Künstlichen Intelligenz vorstellen.
KI revolutioniert Wettervorhersagen: Neue Studie zeigt beeindruckende Fortschritte
Wettervorhersagen werden mithilfe von künstlicher Intelligenz immer besser, wie eine Gruppe von Wissenschaftlern in der Fachzeitschrift "Nature" schreibt. Die Autoren kommen unter anderem von Google, DeepMind und dem Europäischen Zentrum für mittelfristige Wettervorhersage.
Sie stellen ein neues Modell vor, das auf maschinellem Lernen (ML) basiert. Es soll ohne die Schwächen bisheriger Modelle sowohl bei deterministischen Vorhersagen als auch bei Ensemble-Vorhersagen und sogar bei langfristigen Klimavorhersagen ähnlich zuverlässig funktionieren wie die besten bisherigen Ansätze auf Basis physikalischer Modelle. Dabei soll das "Neuronale Zirkulationsmodell für Wetter und Klima" wesentlich kostengünstiger und schneller arbeiten.
Künstliche Intelligenz trifft auf Meteorologie: Effizienter und kostengünstiger
Allgemeine Zirkulationsmodelle (GCM) sind physikalisch basierte Simulatoren. In der Studie wird ein GCM vorgestellt, das einen differenzierbaren Löser für atmosphärische Dynamik mit maschinellen Lernkomponenten kombiniert.
Das Modell, NeuralGCM, soll in der Lage sein, die Häufigkeit und Zugbahn tropischer Wirbelstürme vorherzusagen. Für Ensemble-Vorhersagen oder langfristige Wetter- und Klimaprognosen, so die Studie, sind bisherige ML-Modelle weniger zuverlässig als konventionelle Methoden.
Ressourcenschonend und schnell: Die Vorteile von KI in der Wettervorhersage
Konventionelle Methoden mit großen physikalischen Modellen, die auf Supercomputern laufen, benötigen viele Rechenressourcen und damit viel Energie und mehr Zeit als ML-Modelle.
Das vorgeschlagene Modell muss zwar erst trainiert werden, ist dann aber in der Praxis schneller, ressourcenschonender und kostengünstiger als physikalische Modelle.
Lesen Sie auch
Die Studie, die bereits Ende 2023 als Preprint veröffentlicht wurde, ist mit Peer-Review und einigen Änderungen seit dem 22. Juli verfügbar.
Martin Schultz, Leiter der Forschungsgruppe Earth System Data Exploration vom Forschungszentrum Jülich GmbH (FZJ), und Professor an der Universität zu Köln stellt fest, "mit NeuralGCM haben die Autoren das erste Mal bewiesen, dass ein hybrider Modellierungsansatz mit einem klassischen dynamischen Kern, der auf der Lösung physikalischer Gleichungen basiert und einem Maschinenlernmodell für abgeleitete Größen und kleinskalige Prozesse, nicht nur funktioniert, sondern sehr gute Ergebnisse zeigt und auch über lange Zeiträume stabil bleibt."
Schulz sieht "zwei große offene Fragen. Erstens: Wie lassen sich die vielfältigen Wetterdaten aus Satelliten- und Bodenmessungen direkt in die KI-Modelle integrieren? Und zweitens: Wie kann man den Modellen die vielschichtigen und komplexen Wechselwirkungen im Klimasystem beibringen?"
Herausforderungen und Grenzen: Was KI-Wettermodelle noch lernen müssen
Hinsichtlich der derzeitigen Grenzen weist Schulz darauf hin, dass KI-Modelle zwar Hurrikane früher erkennen würden als klassische Modelle. Dafür würde die KI aber dazu neigen, die maximalen Windgeschwindigkeiten zu unterschätzen. Dieses Problem sei lösbar. Noch keine Lösung sieht der Experte für das Problem, dass auch NeuralGCM bei der Extrapolation auf zukünftige Klimabedingungen an seine Grenzen stößt.
Alles in allem fällt sein Urteil positiv aus. "Man kann NeuralGCM durchaus als einen weiteren Meilenstein auf der Erfolgsgeschichte von KI für Wetter- und Klimavorhersagen ansehen. Es ist wirklich faszinierend zu sehen, dass es innerhalb von lediglich vier bis fünf Jahren gelungen ist, maschinelle Lernverfahren für die Wettervorhersage zu entwickeln, die nicht nur demonstrieren, dass das funktioniert, sondern die in fast allen Belangen besser sind als herkömmliche Modelle."