Korrektur systematische Fehler in Wettermodellen

Windböen mit AI besser vorhersagen


Korrektur systematische Fehler in Wettermodellen: Windböen mit AI besser vorhersagen Wissenschaft

Um Menschen und Umwelt besser schützen zu können, ist eine genauere Vorhersage von extremen Wetterphänomenen wie Winterstürmen essenziell. Wissenschaftler des KIT haben nun Methoden der Statistik und des Maschinellen Lernens für die Vorhersage von Windböen verglichen, um diese akkurater und verlässlicher zu machen. Das Einbeziehen geografischer Informationen und weiterer meteorologischer Variablen wie der Temperatur führt dabei zu signifikanten Verbesserungen der Vorhersagequalität, insbesondere durch moderne Methoden der Artificial Intelligence (AI) basierend auf neuronalen Netzen.

Starke Windböen, beispielsweise Sturmböen mit einer Geschwindigkeit von mehr als 65 Kilometern pro Stunde, können große Schäden verursachen und zur Gefahr für Menschen, Tiere und Infrastruktur werden. Um wirksame Warnungen herausgeben zu können, sind frühzeitige und verlässliche Vorhersagen entscheidend. "Windböen lassen sich jedoch nur schwer modellieren, da sie durch kleinskalige Prozesse angetrieben werden und sehr lokal auftreten", sagt Benedikt Schulz, Doktorand am Institut für Stochastik des KIT. "Deshalb ist ihre Vorhersagbarkeit für numerische Wettervorhersagemodelle, die bei Wetterdiensten eingesetzt werden, begrenzt und mit Unsicherheiten behaftet."

Um solche Unsicherheiten von Vorhersagen besser abschätzen zu können, erstellen Meteorologen Ensemble-Vorhersagen. Ausgehend vom aktuellen Zustand der Atmosphäre führen sie parallel mehrere Modellrechnungen durch, die sich jeweils auf leicht unterschiedliche Rahmenbedingungen beziehen. So können sie verschiedene Szenarien über die zukünftige Entwicklung des Wetters erfassen. "Trotz kontinuierlicher Verbesserungen zeigen diese Ensemble-Wettervorhersagen noch systematische Fehler, da lokale, teils zeitlich variable Gegebenheiten den Modellen nicht mitgegeben werden können", so Schulz. Mithilfe von Artificial Intelligence wollen die Wissenschaftler systematischen Fehler korrigieren, um die Vorhersagen zu verbessern und gefährliche Wetterphänomene verlässlicher vorherzusagen.

Geo-Informationen und weitere meteorologische Variablen verbessern die Vorhersage von Windböen

Gemeinsam mit Sebastian Lerch, der am Institut für Volkswirtschaftslehre des KIT die von der Vector Stiftung geförderte Nachwuchsgruppe "KI-Methoden für probabilistische Wettervorhersagen" leitet, hat Schulz erstmalig eine Vielzahl verschiedener Verfahren aus Statistik und AI zum Nachbearbeiten von Ensemble-Vorhersagen für Windböen verglichen. "Wir haben sowohl bestehende als auch neue Methoden zur statistischen Nachbearbeitung numerischer Wettervorhersagen betrachtet und einen systematischen Vergleich ihrer Vorhersagequalität durchgeführt", sagt Lerch. 

Es zeigte sich, dass grundsätzlich alle Nachbearbeitungsverfahren verlässliche Vorhersagen für die Geschwindigkeit der Windböen generieren. "Allerdings sind KI-Methoden dabei klassischen statistischen Ansätzen deutlich überlegen und liefern wesentlich bessere Ergebnisse, da sie es erlauben, neue Informationsquellen wie geografische Gegebenheiten oder weitere meteorologische Variablen wie die Temperatur und die Sonnenstrahlung besser miteinzubeziehen", fasst Lerch zusammen. "Die Vorhersagen der KI-Methoden verringern dabei die Vorhersagefehler der Wettermodelle durchschnittlich um etwa 36 Prozent", so Schulz. Basierend auf Vorhersagen des Wettermodells des Deutschen Wetterdienstes (DWD) an 175 Beobachtungsstationen in Deutschland lieferten die KI-Methoden an mehr als 92 Prozent der Stationen bessere Vorhersagen als alle Referenzmodelle zur statistischen Nachbearbeitung. Eine zentrale Rolle spiele dabei die Fähigkeit der neuronalen Netze, aus den verfügbaren großen Datenmengen komplexe und nicht-lineare Zusammenhänge zu lernen, um so die systematischen Fehler in den Ensemble-Vorhersagen zu korrigieren. "Durch die Analyse, welche der Informationen für die Methoden besonders relevant sind, lassen sich außerdem Rückschlüsse auf meteorologische Prozesse ziehen", sagt Schulz.

Mit ihrer Arbeit wollen die Forschenden zur Methodenentwicklung für die Wettervorhersage an der Schnittstelle zwischen Statistik und AI beitragen. "Die untersuchten Methoden könnten beispielsweise bei Wetterdiensten eingesetzt werden, um die Vorhersagen zu verbessern", so Lerch. "Dazu sind wir im aktiven Austausch mit dem Deutschen Wetterdienst und anderen internationalen Wetterdiensten." 

Überregionale Forschung für bessere Wettervorhersagen

Die Forschung ist Teil des Sonderforschungsbereichs/Transregio 165 "Waves to Weather" (W2W). Wissenschaftlerinnen und Wissenschaftler des KIT, der Ludwig-Maximilians-Universität München als Koordinator und der Johannes-Gutenberg-Universität (JGU) arbeiten darin überregional und interdisziplinär zusammen, um Wettervorhersagen noch genauer und zuverlässiger zu machen. Damit stellt sich W2W der aktuell größten Herausforderung in der Wettervorhersage: die Grenzen der Vorhersagbarkeit in verschiedenen Situationen zu identifizieren und jeweils die physikalisch bestmögliche Prognose zu erstellen. 

Benedikt Schulz & Sebastian Lerch: Machine Learning Methods for Postprocessing Ensemble Forecasts of Wind Gusts: A Systematic Comparison. Monthly Weather Review (MWR), 2022. DOI: 10.1175/MWR-D-21-0150.1.  

 

[ Bildquelle Titelbild: Adobe Stock.com / JSirlin ]
Risk Academy

Die Intensiv-Seminare der RiskAcademy® konzentrieren sich auf Methoden und Instrumente für evolutionäre und revolutionäre Wege im Risikomanagement.

Seminare ansehen
Newsletter

Der Newsletter RiskNEWS informiert über Entwicklungen im Risikomanagement, aktuelle Buchveröffentlichungen sowie Kongresse und Veranstaltungen.

jetzt anmelden
Lösungsanbieter

Sie suchen eine Softwarelösung oder einen Dienstleister rund um die Themen Risikomanagement, GRC, IKS oder ISMS?

Partner finden
Ihre Daten werden selbstverständlich vertraulich behandelt und nicht an Dritte weitergegeben. Weitere Informationen finden Sie in unseren Datenschutzbestimmungen.