Operative Vorhersage tropischer Zyklone mit KI

Ein neues System mit künstlicher Intelligenz wurde für die operative Vorhersage tropischer Wirbelstürme eingesetzt, das im Vergleich zu bestehenden Modellen eine verbesserte Genauigkeit und Vorlaufzeiten bietet. Das von Forschern, darunter Wissenschaftlern von Google DeepMind, der National Oceanic and Atmospheric Administration (NOAA) und mehreren akademischen Institutionen entwickelte System namens WeatherNext Cyclones (WN-C) bietet fortschrittliche Ensemble-Vorhersagen für die Verfolgung, Intensität und Größe tropischer Wirbelstürme weltweit. Laut der in Nature veröffentlichten Studie zeigt die Leistung des Modells eine messbare Verbesserung bei der Vorhersage des Wirbelsturmverhaltens und verbessert möglicherweise Frühwarnsysteme und Katastrophenvorsorge.

Das Forscherteam trainierte WN-C mit einer Kombination aus globalen Analysedaten und einer umfassenden Datenbank historischer tropischer Zyklone über Jahrzehnte hinweg. Dieses Training ermöglichte es dem Modell, große Ensembles potenzieller Wetterszenarien zu erzeugen, die sich bis zu 15 Tage im Voraus erstrecken. Beim Testen gegen reale Zyklone von 2023 bis 2025 zeigte das Modell einen durchschnittlichen Vorteil von einem Tag oder mehr gegenüber aktuellen operativen Vorhersagemodellen. Die Verbesserungen in der Genauigkeit wurden als vergleichbar mit den Fortschritten in der operativen Meteorologie im letzten Jahrzehnt beschrieben.

Im Gegensatz zu herkömmlichen hochauflösenden Modellen arbeitet WN-C effektiv mit Eingangsdaten, die im Detail deutlich grober sind. Die Forscher stellten fest, dass dies darauf hindeutet, dass hochauflösende Daten möglicherweise nicht immer für eine genaue Intensitätsprognose unerlässlich sind. Darüber hinaus fanden sie heraus, dass die groberen atmosphärischen Daten, die von WN-C verwendet wurden, relevantere Signale in Bezug auf die Intensität von Zyklonen enthielten als bisher angenommen. Diese Entdeckung könnte Auswirkungen darauf haben, wie Wettermodelle entwickelt und optimiert werden.

Das Design des Modells ermöglicht skalierbare Ensembles von bis zu 1.000 Mitgliedern, was weit größer ist als die typischen 50-Mitglieder-Ensembles, die in herkömmlichen Vorhersagen verwendet werden. Größere Ensembles ermöglichen eine bessere Repräsentation seltener und extremer Wetterereignisse und verbessern die Zuverlässigkeit von Langstreckenvorhersagen. Die Entwicklung von WN-C beinhaltet die Zusammenarbeit mehrerer Organisationen, darunter Google DeepMind mit Sitz in London, die University of Waterloo in Kanada, Google Research in den Vereinigten Staaten, das National Hurricane Center der NOAA in Florida und das Cooperative Institute for Research in the Atmosphere an der Colorado State University. Zusätzliche Beiträge kamen vom britischen Met Office in Exeter.

Zu den wichtigsten Mitwirkenden gehören Ferran Alet, Tom R. Andersson, Ilan Price, Stratis Markou, Andrew El-Kadi und Dominic Masters von Google DeepMind sowie Wallace Hogsett, David Zelinsky, John Cangialosi und Jonathan Martinez von der NOAA sowie James Franklin, Mark DeMaria, Kate Musgrave, Caroline L. Bain und Helen Titley von anderen Institutionen. Die Ergebnisse unterstreichen die wachsende Rolle der künstlichen Intelligenz bei der Weiterentwicklung von Wettervorhersage-Technologien.

Die Fähigkeit von WN-C, menschlichen Prognostikern detaillierte Anleitung zu geben, markiert eine bedeutende Verschiebung hin zu zuverlässigeren und rechtzeitigen Wettervorhersagen, die letztendlich dazu beitragen könnten, die mit tropischen Zyklonen verbundenen Risiken zu reduzieren. Die Forscher betonten, dass das Modell zwar vielversprechend ist, seine Umsetzung jedoch eine sorgfältige Bewertung innerhalb der bestehenden Betriebsrahmen erfordert. Sie stellten fest, dass vor einer weit verbreiteten Einführung fortlaufende Tests und Verfeinerungen erforderlich wären.

Da sich das Modell dem Einsatz nähert, werden Meteorologen und Klimawissenschaftler voraussichtlich umfangreiche Bewertungen durchführen, um seine Wirksamkeit unter unterschiedlichen Bedingungen zu beurteilen. Diese Bewertungen werden den Vergleich der Vorhersagen von WN-C mit tatsächlichen Sturmentwicklungen und die Verfeinerung des Modells auf der Grundlage von Rückmeldungen aus Feldbeobachtungen beinhalten. Das ultimative Ziel ist es, diese Technologie in nationale und internationale Wetterdienste zu integrieren, um die öffentliche Sicherheit und Katastrophenhilfe zu verbessern.