KI-Forschung Neuronale Netze verbessern Wetterprognosen

Durch neuronale Netze verbessern Forscher vom KIT nun Wetterprognosen, um zum Beispiel Gewitter besser vorherzusagen.
Durch neuronale Netze verbessern Forscher vom KIT nun Wetterprognosen, um zum Beispiel Gewitter besser vorherzusagen.

537 Wetterstationen sind über ganz Deutschland verteilt. Damit lassen sich bereits sehr präzise Vorhersagen durchführen. Forscher des Karlsruher Instituts für Technologie (KIT) beweisen nun dass es noch besser geht.

Das »System« Atmosphäre ist chaotisch: Physikalische Eigenschaften wie Temperatur, Luftfeuchtigkeit oder Bewölkung ändern sich laufend. Meteorologen versuchen das System zu durchschauen und verlässliche Vorhersagen zu treffen. Momentan sind die Prognosen schon sehr verlässlich, doch es gibt durchaus noch Verbesserungspotenzial. Wissenschaftler aus Meteorologie und Mathematik am KIT haben nun ein Verfahren auf Basis von künstlicher Intelligenz (KI) entwickelt, um Wettervorhersagen noch zuverlässiger zu machen.

Berechnung mithilfe von Szenarien

Aktuelle Messungen über den Zustand der Atmosphäre bilden die Grundlage von Wetterprognosen. Ausgehend davon analysieren Meteorologen verschiedene Szenarien. Sie verändern Messgrößen wie Temperatur und Luftfeuchte und berechnen wie sich dabei das Wetter verändert. Durch Vergleiche von über 50 Szenarien pro Messgröße lässt sich dann der Zustand der Atmosphäre vorhersagen.

Ganz so einfach ist es jedoch nicht: Die Methode unterliegt gewissen Unsicherheiten. »Die Computerszenarien können manche physikalischen Zusammenhänge nicht in der notwendigen Detailtiefe oder räumlichen Auflösung abbilden«, sagt Sebastian Lerch vom Institut für Stochastik des KIT. Über statistische Verfahren oder Expertenwissen müssen die Szenarien deshalb nachbearbeitet werden.

Bessere Prognosen durch KI

Nun haben die Forscher am KIT einen neuen Ansatz gefunden, der bessere Vorhersagen zulässt. Grundlage bilden neuronale Netze, die die Informationen nach dem Vorbild des menschlichen Gehirns verarbeiten. So können die Mathematiker dem Netzwerk »antrainieren«, wie es bestimmte Daten optimal verarbeiten kann. Mit jeder Information, die in der Trainingsphase durch das Netzwerk fließt, sammelt es »Erfahrung«, kann sich kontinuierlich verbessern und so beispielsweise die Eintrittswahrscheinlichkeit von lokalen Wetterereignissen präzise bestimmen.

Training des neuronalen Netzes

Die Neuronen analysieren und bewerten die nicht-linearen Wechselwirkungen zwischen den Daten der Wetterstationen und den physikalischen Zuständen der Atmosphäre. So lernt das Netzwerk, wie sich zum Beispiel Veränderungen in der Atmosphäre auf die Temperatur an einer bestimmten Messstation auswirken. Zum Training des Netzes nutzen die Forscher Daten aus allen 537 Wetterstationen von 2007 bis 2016. Eingangsgrößen sind etwa Bewölkung, Bodenfeuchte oder Temperatur.

Vergleich der Techniken

Zum Schluss haben die Forscher die neue Methode mit etablierten Techniken verglichen. »Unser Ansatz hat für fast alle Wetterstationen deutlich genauere Vorhersagen getroffen und ist wesentlich weniger rechenaufwendig«, fasst Lerch zusammen. Die Vorteile von neuronalen Netzen als Nachbearbeitungsverfahren sind vor allem, dass sie nicht-lineare Zusammenhänge eigenständig erkennen und ihr Wissen darüber kontinuierlich anpassen können. Zudem können sie schneller große Datenmengen verarbeiten als bisherige Methoden und menschliche Experten. Somit zeigen die Forscher, dass sich neuronale Netze bestens dafür eignen, Wettervorhersagen zu verbessern.