Dies war ein weiteres Jahr mit Achterbahnwetter. Wärmekuppeln brodelte im Südwesten der USA. Kalifornien erlebte im Oktober einen „zweiten Sommer“, und mehrere Städte brachen Hitzerekorde. Hurrikan Helene – und nur wenige Wochen später Hurrikan Milton – verwüstete die Golfküste und löste sintflutartige Regenfälle und schwere Überschwemmungen aus. Was selbst erfahrene Meteorologen schockierte, war die Geschwindigkeit, mit der sich die Hurrikane intensivierten. einer verschluckt sich wie er sagte: „Das ist einfach schrecklich.“
Bei der Vorbereitung auf Extremwetterereignisse zählt jede Sekunde. Planungsmaßnahmen sind jedoch auf genaue Vorhersagen angewiesen. Hier kommt KI ins Spiel.
Diese Woche Google DeepMind enthüllte eine KI das das Wetter 15 Tage im Voraus in Minuten vorhersagt, statt der Stunden, die bei herkömmlichen Modellen normalerweise benötigt werden. Im direkten Vergleich mit dem Europäisches Zentrum für mittelfristige Wettervorhersage‘ Beim Wettervorhersagemodell (ENS), dem derzeit besten Wettervorhersagegerät für mittlere Zeitspannen, siegte die KI in über 90 Prozent der Fälle.
Der GenCast genannte Algorithmus ist DeepMinds neuster Vorstoß in die Wettervorhersage. Letztes Jahr haben sie entfesselte eine Version mit erstaunlich genauer Vorhersage für eine 10-Tage-Prognose. GenCast unterscheidet sich in seiner maschinellen Lernarchitektur. Getreu seinem Namen ist es ein generatives KI-Modell, ungefähr ähnlich denen, die ChatGPT und Gemini antreiben oder Bilder und Videos mit einer Textaufforderung generieren.
Mit diesem Aufbau hat GenCast einen Vorteil gegenüber früheren Modellen, die normalerweise nur eine einzige Wetterprognose liefern. GenCast hingegen liefert 50 oder mehr Prognosen – jede davon stellt eine mögliche Wetterentwicklung dar und weist ihre Wahrscheinlichkeit zu.
Mit anderen Worten: Die KI „stellt sich“ ein Multiversum zukünftiger Wettermöglichkeiten vor und wählt diejenige mit der größten Eintrittswahrscheinlichkeit aus.
GenCast war nicht nur bei der täglichen Wettervorhersage hervorragend. Es übertraf ENS auch bei der Vorhersage von Extremwetterereignissen – Hitze, Kälte und hohen Windgeschwindigkeiten. Herausgefordert mit Daten von Taifun Hagibis– der tödlichste tropische Wirbelsturm, der Japan seit Jahrzehnten heimgesucht hat – visualisierte GenCast sieben Tage vor dem Landgang mögliche Routen.
„Da der Klimawandel zu immer extremeren Wetterereignissen führt, sind genaue und zuverlässige Prognosen wichtiger denn je“, schrieb Studienautoren Ilan Price und Matthew Wilson in einem DeepMind-Blogbeitrag.
Embracing Uncertainty
Wettervorhersagen sind bekanntermaßen schwierig. Das liegt vor allem daran, dass das Wetter ein chaotisches System ist. Sie haben vielleicht schon einmal vom „Schmetterlingseffekt“ gehört – ein Schmetterling schlägt mit den Flügeln, verursacht eine winzige Veränderung in der Atmosphäre und löst am anderen Ende der Welt Tsunamis und andere Wetterkatastrophen aus. Obwohl es sich nur um eine Metapher handelt, zeigt sie, dass sich jede kleine Veränderung der anfänglichen Wetterbedingungen schnell über große Regionen ausbreiten und die Wetterergebnisse verändern kann.
Seit Jahrzehnten versuchen Wissenschaftler, diese Prozesse mithilfe physikalischer Simulationen der Erdatmosphäre nachzubilden. Sie sammeln Daten von Wetterstationen und Satelliten auf der ganzen Welt und entwickeln Gleichungen, die aktuelle Wetterprognosen abbilden und Vorhersagen darüber treffen, wie sich das Wetter im Laufe der Zeit verändern wird.
Das Problem? Die Datenflut dauert Stunden, wenn nicht Tage, auf Supercomputern rechnenund verbraucht enorm viel Energie.
Künstliche Intelligenz könnte hier Abhilfe schaffen. Anstatt die Physik atmosphärischer Verschiebungen oder die Wirbel unserer Ozeane nachzuahmen, nutzen diese Systeme Daten aus Jahrzehnten, um Wettermuster zu finden. GraphCast, das 2013 auf den Markt kam, erfasste mehr als eine Million Punkte auf der Oberfläche unseres Planeten und sagte damit das 10-Tage-Wetter in weniger als einer Minute voraus. Weitere im Rennen um die Verbesserung der Wettervorhersage sind Huawei's Pangu-Wetter und NowcastNet, beide mit Sitz in China. Letzteres schätzt die Regenwahrscheinlichkeit mit hoher Genauigkeit ein – einer der schwierigsten Aspekte der Wettervorhersage.
Aber das Wetter ist launisch. GraphCast und andere ähnliche KI-Modelle zur Wettervorhersage sind dagegen deterministisch. Sie prognostizieren nur eine einzige Wetterkurve. Die Wettergemeinde setzt mittlerweile zunehmend auf ein „Ensemblemodell“, das eine Reihe möglicher Szenarien vorhersagt.
„Solche Ensemble-Prognosen sind nützlicher als das Verlassen auf eine einzelne Vorhersage, da sie den Entscheidungsträgern ein umfassenderes Bild der möglichen Wetterbedingungen in den kommenden Tagen und Wochen und der Wahrscheinlichkeit jedes Szenarios liefern“, schrieb das Team.
Bewölkt mit Regenwahrscheinlichkeit
GenCast geht die Unsicherheit des Wetters direkt an. Die KI basiert hauptsächlich auf einem Diffusionsmodell, einer Art generativer KI. Insgesamt bezieht sie 12 Messwerte über die Erdoberfläche und Atmosphäre ein – wie Temperatur, Windgeschwindigkeit, Luftfeuchtigkeit und Luftdruck – die traditionell zur Wettervorhersage verwendet werden.
Das Team trainierte die KI anhand von 40 Jahren historischer Wetterdaten aus einem öffentlich zugängliche Datenbank bis 2018. Anstatt eine einzige Vorhersage zu verlangen, ließen sie GenCast eine Reihe von Vorhersagen ausspucken, von denen jede mit einer leicht unterschiedlichen Wetterlage begann – sozusagen mit einem anderen „Schmetterling“. Die Ergebnisse wurden dann zu einer Ensemble-Vorhersage kombiniert, die auch die Wahrscheinlichkeit vorhersagte, dass jedes Wettermuster tatsächlich eintritt.
Beim Test mit Wetterdaten aus dem Jahr 2019, die GenCast noch nie gesehen hatte, übertraf die KI den aktuellen Spitzenreiter ENS – insbesondere bei längerfristigen Vorhersagen von bis zu 15 Tagen. Beim Vergleich mit aufgezeichneten Daten übertraf die KI ENS bei 97 Prozent der Zeit bei 1,300 Wettervorhersagemessungen.
Die Vorhersagen von GenCast sind zudem rasend schnell. Im Vergleich zu den Stunden, die Supercomputer normalerweise brauchen, um Ergebnisse zu liefern, produzierte die KI Vorhersagen in etwa acht Minuten. Wenn das System übernommen wird, könnte es wertvolle Zeit für Notfallmeldungen gewinnen.
Alles für einen
Obwohl GenCast nicht speziell darauf trainiert wurde, Unwetter vorherzusagen, war es in der Lage, den Weg des Taifuns Hagibis vorherzusagen, bevor er in Zentraljapan an Land ging. Eine der tödlichste Stürme Jahrzehntelang überschwemmte der Taifun ganze Wohnviertel bis unter die Dächer, als das Wasser durch die Deiche brach und die Region zu einem großen Teil ohne Strom war.
Die Ensemble-Vorhersage von GenCast war wie ein Film. Sie begann mit einer relativ großen Bandbreite möglicher Wege für Taifun Hagibis sieben Tage vor seinem Landgang. Als der Sturm näher kam, wurde die KI jedoch präziser und verengte ihren Vorhersageweg. Obwohl nicht perfekt, zeichnete GenCast eine Gesamtbahn des verheerenden Zyklons, die den aufgezeichneten Daten sehr nahe kam.
Mit einer Vorlaufzeit von einer Woche „kann GenCast einen erheblichen Mehrwert bei Entscheidungen über
wann und wie man sich auf tropische Wirbelstürme vorbereitet“, schreiben die Autoren.
Genaue und längerfristige Vorhersagen helfen nicht nur dabei, sich auf zukünftige Klimaherausforderungen vorzubereiten. Sie könnten auch dazu beitragen, die Planung erneuerbarer Energien zu optimieren. Nehmen wir zum Beispiel Windkraft. Die Vorhersage, wo, wann und wie stark der Wind wahrscheinlich wehen wird, könnte die Zuverlässigkeit der Energiequelle erhöhen – was die Kosten senkt und möglicherweise die Akzeptanz der Technologie erhöht. In einer Proof-of-Concept-Analyse war GenCast genauer als ENS bei der Vorhersage der gesamten Windenergie, die von über 5,000 Windkraftanlagen auf der ganzen Welt und eröffnet die Möglichkeit, Windparks auf datenbasierter Grundlage zu bauen.
GenCast ist nicht der einzige KI-Wettermann. Nvidias FourCastNet verwendet ebenfalls generative KI, um das Wetter mit geringeren Energiekosten als herkömmliche Methoden vorherzusagen. Google Research hat auch unzählige Algorithmen zur Wettervorhersage entwickelt, darunter NeuralGCM und SEEDS. Einige davon werden in die Google-Suche und -Karten integriert, darunter Regenvorhersagen, Waldbrand-, Überschwemmungs- und Hitzewarnungen. Microsoft hat sich dem Rennen angeschlossen mit ClimaX, einer flexiblen KI, die angepasst werden kann, um Vorhersagen für Stunden bis Monate im Voraus (mit unterschiedlicher Genauigkeit) zu erstellen.
Das heißt aber nicht, dass KI Meteorologen die Arbeit wegnehmen wird. Das DeepMind-Team betont, dass GenCast ohne die Grundlagenarbeit von Klimaforschern und physikbasierten Modellen nicht möglich wäre. Um etwas zurückzugeben, stellen sie Aspekte von GenCast der breiteren Wetter-Community zur Verfügung, um weitere Erkenntnisse und Feedback zu erhalten.
Bild-Kredit: NASA
- SEO-gestützte Content- und PR-Distribution. Holen Sie sich noch heute Verstärkung.
- PlatoData.Network Vertikale generative KI. Motiviere dich selbst. Hier zugreifen.
- PlatoAiStream. Web3-Intelligenz. Wissen verstärkt. Hier zugreifen.
- PlatoESG. Kohlenstoff, CleanTech, Energie, Umwelt, Solar, Abfallwirtschaft. Hier zugreifen.
- PlatoHealth. Informationen zu Biotechnologie und klinischen Studien. Hier zugreifen.
- Quelle: https://singularityhub.com/2024/12/06/google-deepminds-new-ai-weatherman-tops-worlds-most-reliable-system/
