Harvard-Studentin korrigiert mit maschinellem Lernen subsaisonale Wettervorhersagen

Eine Lücke zwischen Wetter und Klima

Das Wetter von morgen lässt sich bequem auf dem Smartphone nachschlagen, und Klimaforscher modellieren Muster für Jahre im Voraus. Der Zeitraum dazwischen, zwei bis sechs Wochen in der Zukunft, wird als subsaisonaler Bereich bezeichnet. Laut Harvard SEAS sind Vorhersagemodelle in dieser Phase von entscheidender Bedeutung.

Guan zufolge ist dieser Zeithorizont für mehrere Gruppen wichtig. „Dieser Zeithorizont ist sehr wichtig für Landwirte, die planen wollen, wann sie ihre Feldfrüchte aussäen oder ernten“, sagte sie. Sie verwies außerdem auf Stadtplaner, die vor einer Kaltfront entscheiden müssen, wie viel Energie sie ins Netz einspeisen. Ihren Worten zufolge gibt es zu diesem Zeithorizont bislang wenig Forschung, und bestehende Modelle „erreichen einfach nicht die gleiche Genauigkeit wie die Kurzfrist- oder die Langfristmodelle“.

Den Fehler modellieren statt das Wetter

Guan kam nach ihrem zweiten Studienjahr an der Harvard John A. Paulson School of Engineering and Applied Sciences zu Microsoft Research. Dort half sie bei der Entwicklung von Algorithmen des maschinellen Lernens, mit denen sich subsaisonale Wetter- und Niederschlagsmuster besser vorhersagen lassen. Auch nach Ende des Praktikums arbeitete sie weiter und wurde Erstautorin einer aktuellen Veröffentlichung in Nature.

Ihr Ausgangspunkt: Große physikbasierte Modelle und KI-Foundation-Modelle erfassen die allgemeinen Trends bereits gut, machen auf subsaisonalen Zeitskalen aber nach wie vor viele Fehler. „Statt zu versuchen, das Wetter direkt vorherzusagen, wollten wir vorhersagen, wo die üblicherweise verwendeten Modelle danebenliegen“, sagte sie. „Wir versuchen im Grunde, ein Modell zu bauen, das den Fehler bestehender Modelle modelliert.“

Die Forschung konzentrierte sich auf probabilistische subsaisonale Vorhersagen. Dabei wird eine Prognose in eine Bandbreite von Bedingungen oder Temperaturen aufgeteilt, jeweils mit einer prozentualen Eintrittswahrscheinlichkeit. Das Team suchte nach möglichen Fehlern in der Erstellung einer Vorhersage und beseitigte sie mit seinen Algorithmen des maschinellen Lernens.

Guan nannte zwei Vorteile:

• Das Verfahren erfordert nicht den Bau eines extrem großen und rechenintensiven Systems.
• Es ist sehr anpassungsfähig, da es sich zur Korrektur der Vorhersagen jedes bestehenden Wettermodells einsetzen lässt.

Forschungsweg und nächste Schritte

Das Praktikum war nicht Guans erste Forschungsstation. Sie untersuchte genetische Variationen und Merkmale an der Harvard T.H. Chan School of Public Health und arbeitete in ihren ersten beiden Jahren an der SEAS am Kempner Institute of Natural and Artificial Intelligence. Zu Microsoft Research ging sie, um akademische und unternehmensnahe Forschung zu vergleichen. Nach ihrer Aufnahme wurde ihr ein Mentor zugeteilt, der an Wettervorhersagen arbeitete. Sie sei sofort interessiert gewesen, sagte sie, weil das Problem anwendungsnah und der Nutzen klar sei.

Neben der Forschung war Guan Co-Direktorin für das Programm der Women Engineers Code (WECode) Conference 2025 an der SEAS. An ihrer Highschool in San Antonio gründete sie Math Include, nach Angaben von Harvard heute eine international tätige gemeinnützige MINT-Nachhilfeorganisation. Außerdem war sie Kursassistentin in mehreren Lehrveranstaltungen.

Derzeit arbeitet sie an einer Abschlussarbeit über Herausforderungen beim Aufgabengedächtnis in der künstlichen Intelligenz und bewirbt sich für Promotionsprogramme im Bereich Informatik und Angewandte Mathematik.

Was das für die Wettervorhersage bedeutet

Die Quelle nennt keine Genauigkeitswerte, wie groß die Verbesserung ausfällt, geht aus dem Bericht daher nicht hervor. Beschrieben wird dagegen eine praktische Designentscheidung: eine Korrekturschicht, die mit bestehenden physikbasierten und KI-Modellen zusammenarbeitet, statt sie zu ersetzen. Weil sie sich auf Vorhersagen jedes vorhandenen Wettermodells anwenden lässt, könnte der Ansatz neben den Systemen zum Einsatz kommen, die Behörden und Unternehmen bereits betreiben. Für Nutzer wie Landwirte und Netzplaner lautet das erklärte Ziel, im Zeitfenster von zwei bis sechs Wochen verlässlichere Orientierung zu bieten.