Wendepunkt in der Wettervorhersage: Präzise Prognose mit KI in weniger als einer Minute

Die Wettervorhersage der Zukunft könnte mithilfe künstlicher Intelligenz noch besser werden. Zu diesem Schluss kommt eine neue Studie, die ein maschinelles Lernmodell als wegweisend für mittelfristige Wettervorhersagen bezeichnet. Das von Google DeepMind entwickelte maschinelle Lernmodell „GraphCast“ habe in 90 Prozent der getesteten Fälle besser abgeschnitten als herkömmliche numerische Wettervorhersagemodelle, also rechnergestützte Wettervorhersagen, schreiben die Autoren nun im Fachmagazin „Science“.

Bei numerischen Wettervorhersagemodelle wird aus dem Zustand der Atmosphäre zu einem gegebenen Anfangszeitpunkt durch numerische Lösung der relevanten Gleichungen der Zustand zu späteren Zeiten berechnet.

Auch bei Extremereignissen, für die das neue KI-Modell nicht speziell trainiert wurde, zeige es eine gute Leistung, heißt es. Derzeitige Standardmodelle wie die numerische Wettervorhersage (NWP) sind zwar genau, aber teuer und rechenintensiv. In diesem Kontext biete die auf maschinellem Lernen basierende Wettervorhersage (MLWP) eine kostengünstigere und effizientere Alternative. GraphCast verwendet historische atmosphärische Daten für das Training und kann auf moderner Deep-Learning-Hardware präzise Vorhersagen für zehn Tage in weniger als einer Minute liefern.  „Wir glauben, dass dies einen Wendepunkt in der Wettervorhersage markiert“, schreiben die Autor:innen. 

Das Modell verwendet aktuelle und vergangene Wetterbedingungen auf der Erde als Input und prognostiziert den nächsten Zustand sechs Stunden im Voraus mit einer hohen globalen Auflösung von etwa 0,25 Grad Längen- und Breitengrad. Die Studie verglich die Genauigkeit von GraphCast mit dem besten existierenden Modell (HRES) und stellte fest, dass GraphCast in 90 Prozent von 1380 Verifikationszielen überlegen war.

Als „beeindruckend“ bezeichnen die Forschenden die Fähigkeit von GraphCast, Extremereignisse wie tropische Wirbelstürme und Temperaturanomalien vorherzusagen, obwohl das System nicht speziell dafür trainiert wurde. Die Autor:innen betonen, dass ihr Ansatz nicht darauf abzielt, herkömmliche Modelle zu ersetzen. „Vielmehr sollte unsere Arbeit als Beweis dafür interpretiert werden, dass MLWP in der Lage ist, die Herausforderungen realer Prognoseprobleme zu meistern und das Potenzial hat, die derzeit besten Methoden zu ergänzen und zu verbessern“, schreiben die Autor:innen.