Intelligente Wettervorhersage

Künstliche Intelligenz hat auch in die Wetter- und Klimaforschung Einzug gehalten, sagt Priv.-Doz. Martin Schultz vom Institute for Advanced Simulation (IAS). Noch vor fünf Jahren sind Meteorolog:innen den KI-Modellen mit Skepsis begegnet. Doch mittlerweile haben die Algorithmen ihre Leistungsfähigkeit bewiesen.

Was ist das Besondere an KI-Modellen zur Wettervorhersage?

Klassische Prognosemodelle beruhen auf Gleichungssystemen, die die Physik des Wettergeschehens widerspiegeln. Sie sind so komplex, dass sie nur mit großem Rechenaufwand gelöst werden können. Denn sie bestehen aus einer Vielzahl von Einzelgleichungen, die räumlich möglichst engmaschig berechnet werden müssen.

KI-Modelle hingegen lernen aus der Vergangenheit. Sie werden mit historischen Wetterdaten trainiert, die vier Jahrzehnte zurückreichen. Die KI-Modelle „merken“ sich, was in diesem Zeitraum passiert ist und können aus dieser Erfahrung Vorhersagen für das aktuelle Wettergeschehen treffen.

Was sind die Vorteile der KI-Algorithmen?

Zum einen liefern sie in bestimmten Bereichen tatsächlich bessere Vorhersagen als die klassischen Modelle. Zum anderen sind sie besonders effizient. Wenn ein KI-Modell erst einmal trainiert ist, sind die Kosten für die Rechenleistung deutlich niedriger – etwa hundert- bis tausendfach. Dadurch könnte man Vorhersagen sehr viel häufiger aktualisieren, zum Beispiel jede Stunde.

Welchen Einschränkungen unterliegen die neuen Modelle?

Das Training ist sehr aufwendig. Die Modelle rechnen sich eigentlich nur, wenn man mit wenigen Trainingsvorgängen auskommt und die Modelle lange nutzen kann. Außerdem gibt es Bereiche, in denen die KI-Algorithmen den klassischen Modellen unterlegen sind. Es kann sein, dass ein Taifun auf konventionelle Weise früher vorhergesagt wird, ein Kälteeinbruch hingegen von der Künstlichen Intelligenz besser prognostiziert wird. Hier sammeln wir im Moment noch Erfahrungen, in welchen Fällen das eine oder andere Modell sich besser eignet.

Warum hatten vielen Meteorolog:innen lange Zeit Vorbehalte gegenüber den KI-Modellen?

Bis vor fünf Jahren konnten die Vorhersagen der KI nicht überzeugen. Denn der damalige Stand der Technik reichte einfach nicht aus, um belastbare Prognosen zu generieren. Die Modelle waren sehr viel kleiner. Sie waren nicht in der Lage, die Komplexität der Atmosphäre abzubilden. Doch das hat sich mittlerweile geändert, und die KI-Modelle sind erheblich größer geworden. Die jüngste Generation der KI-Modelle liefert Ergebnisse, die nahe bei den konventionellen Vorhersagen liegen oder sie sogar noch übertreffen.

Titelgeschichte KI

Der lange Sommer der Künstlichen Intelligenz

Der Boom der Künstlichen Intelligenz hat gerade erst begonnen. Jülich kann einen wichtigen Beitrag dazu leisten.

Ist das sicher?

KI etabliert sich als Werkzeug in der Wissenschaft. Wer KI nutzen will, sollte auch um die Beschränkungen der Methoden wissen.

Hirntumore präzise und schnell erkennen

Mit PET-Bildern läst sich die Größe eines Tumors exakt bestimmen. Aber das dauert. Eine KI soll es beschleunigen.

Wie lässt sich die Vorhersagekraft eines Modells bewerten?

Es existieren umfangreiche Methoden zur Evaluierung von Wettermodellen, die auch für die Bewertung von KI-Modellen eingesetzt werden können. Damit lässt sich quantifizieren, wie gut die Vorhersagemuster mit der Realität übereinstimmen. Wichtig ist allerdings auch die Robustheit der Modelle, also wie gut sie Situationen vorhersagen können, zu denen es keine Trainingsdaten gibt. Hier gibt es erste Hinweise, dass große KI-Modelle anhand der Trainingsdaten tatsächlich so etwas wie ein Verständnis für die Physik hinter dem Wetter entwickelt haben – ohne diese Naturgesetze explizit zu kennen. Das stimmt hoffnungsvoll.

Eignen sich solche Modelle auch für langfristige Klimaprognosen?

Hier stehen wir noch am Anfang der Forschung. Denn die Simulationen in der Klimaforschung sind stark von den Randbedingungen abhängig: von den CO₂-Konzentrationen und der Eisbedeckung etwa. Also von Größen, die sich auf sehr langen Zeitskalen ändern. Doch von diesen Größen liegen gar nicht genug Daten vor. Ein aktueller Ansatz sind deshalb hybride Modelle: Im Kern sind sie ein klassisches physikalisches Modell, das auf einer eher groben Skala arbeitet. Und nur die kleinskaligen Prozesse, wie etwa die Wolkenbildung, werden von einer KI berechnet.

Die Fragen stellte Arndt Reuning.

Illustration (wurde mithilfe Künstlicher Intelligenz erstellt): SeitenPlan mit Stable Diffusion und Adobe Firefly

Ansprechperson

Prof. Dr. Martin Schultz

Head of research group Earth System Data Exploration and co-lead of division Large Scale Data Science, University professor in Computational Earth System Science at the University of Cologne.

• Institute for Advanced Simulation (IAS)
• Jülich Supercomputing Centre (JSC)

Gebäude 14.14 /
Raum 4010

+49 2461/61-96870

E-Mail

Weitere Informationen

Forschungsgruppe

Earth System Data Exploration

Die Gruppe erforscht den Einsatz fortschrittlicher Deep-Learning-Methoden und großer Daten-Workflows für die Analyse und Vorhersage atmosphärischer Daten mit Schwerpunkt auf Luftqualität und Wetter.

Pressemitteilung

Künstliche Intelligenz: Jülicher Forscher entwickeln Vorhersage für Stickoxide, Ozon und Feinstaub

Dr. Martin Schultz hat einen Advanced Grant des Europäischen Forschungsrats erhalten. Die Fördermittel fließen in das Projekt IntelliAQ.

Forschungsschwerpunkt

KI & Deep Learning

Sie macht das Licht aus, übersetzt Texte und schlägt Schnäppchen beim Online-Einkauf vor: Künstliche Intelligenz hat längst ihren Platz im Alltag. Auch in der Wissenschaft entwickelt sie sich zu einer wichtigen Basis.