Wettervorhersage 2.0: Google DeepMind revolutioniert Prognosen
KI-Wettermodell übertrifft bisherige Prognose-Systeme in 97 Prozent der Tests. Das System verarbeitet Wetterdaten in nur acht Minuten. Es gibt auch Schwächen.
Google DeepMind hat mit GenCast ein KI-basiertes Wettervorhersagemodell entwickelt, das im Ruf steht, bisherige Prognosesysteme mit genaueren Ergebnissen zu übertreffen. Das Geheimnis von GenCast liege in seiner Fähigkeit, sogenannte "probabilistische" Vorhersagen zu treffen.
Statt sich auf eine einzige Vorhersage zu verlassen, erzeugt es ein Ensemble von Vorhersagen, die es ermöglichen, die Wahrscheinlichkeit verschiedener Wetterereignisse zu bewerten. Dies ist von Vorteil, wenn es um extreme Wetterbedingungen oder die Planung von erneuerbaren Energien geht.
Im Fachjournal Nature haben Wissenschaftler unter Federführung von Ilan Price, der im Alan Touring Institute gelistet ist und als Wissenschaftler auch bei Google DeepMind arbeitet, die Neuerung vergangene Woche detailliert vorgestellt (10.1038/s41586-024-08252-9).
"Bei Ensemble-Vorhersagen hatten konventionelle Wettermodelle bisher die Nase vorn", berichtet die österreichische Zeitung Standard. Der Artikel in Nature stellt denn auch heraus, dass GenCast eine neue Qualität habe, um Ensemble-Prognosen zu erstellen, die eine Vielzahl möglicher Wetterentwicklungen simulieren.
Robustere und präzisere Vorhersage
Damit soll es eine robustere und präzisere Vorhersage ermöglichen als bisherige Modelle.
Trainiert wurde Gencast mit Jahrzehnten von Wetterdaten bis zum Jahr 2018. Getestet wurde es an Wettervorhersagen für das Jahr 2019.
1.320 Tests wurden durchgeführt. In mehr als 97 Prozent der Fälle lieferte Gencast die genauere Vorhersage. Dabei gelang auch die Berechnung des Weges eines Taifuns im Jahr 2019 mit guter Genauigkeit. Solche Extremwetterereignisse waren bis vor einiger Zeit noch eine Schwäche von Wetterprognosen auf Basis von KI gewesen.
Der Standard
Im Vergleich zu traditionellen, physikbasierten Modellen, die auf komplexen Gleichungen und Supercomputern basieren, arbeitet GenCast mit maschinellem Lernen und Cloud-Verarbeitungssystemen. Es kann eine Prognose für bis zu 15 Tage innerhalb von nur acht Minuten generieren. Das wird als eine deutliche Steigerung der Effizienz herausgestellt.
Wie der Artikel in Nature ausführt, soll GenCast in über 97 Prozent der Fälle im Vergleich zum Ensemble-Modell des Europäischen Zentrums für mittelfristige Wettervorhersage (ECMWF) genauere Ergebnisse liefern. Besonders bei der Vorhersage extremer Wetterereignisse und der Analyse von Windenergieleistung übertreffe GenCast die Erwartungen.
Als einer der größten Vorteile von GenCast wird die umfassende Datenbasis herausgestellt. Sie soll knapp 40 Jahre an Wetterdaten umfassen – von 1979 bis 2018. Damit sei das Modell in der Lage, historische Wettermuster zu verstehen und dies auf aktuelle Vorhersagen anzuwenden. Relevant ist das besondere für den Energiesektor.
Das DeepMind-Wettervorhersage-Modell soll durch verbesserte Voraussagen bei der Planung und Optimierung erneuerbarer Energien helfen. Ein Beitrag zur "Effizienzsteigerung".
Unvergleichliche Fähigkeiten menschlicher Wetter-Vorhersager?
Trotz des Fortschritts würden menschliche Meteorologen durch GenCast nicht ersetzt, wie man anderswo erklärt bekommt. So etwa vom US-Meteorologie-Professor Aaron Hill, der nicht zum Team der Wissenschaftler gehört, die ihr Projekt bei Nature vorstellen. Hill macht gegenüber dem Medium Axios die "unvergleichliche" Fähigkeiten menschlicher Wetter-Vorhersager geltend, komplexe Modelldaten zu analysieren und mit ihrer Erfahrung zu verfeinern.
Als Schwäche des neuen Modells wird bei Axios erwähnt, dass GenCast derzeit in 12-Stunden-Schritten vorhersagt und somit wichtige Wetterentwicklungen in den Zwischenzeiten übersehen könnte.
Dennoch macht GenCast derzeit als Maschinenlernmodell Schlagzeilen, das die “bisher genaueste Wettervorhersagen liefert“, wie der Artikel im Standard überschrieben ist. „KI wird damit wohl demnächst zu einem Standardtool der Wettervorhersage werden“, lautet die Prognose.
