KI-Wettermodelle sagen beispiellosen Regen in Dubai voraus, indem sie von anderen Regionen lernen

Dubai-Regen als Test für drei KI-Modelle

Die Studie untersuchte, wie drei KI-Modelle mit dem extremen Regenereignis in Dubai im April 2024 umgingen. Nach Angaben der Forschenden verursachte es geschätzte Versicherungsschäden von 3 Milliarden Dollar und fünf gemeldete Todesopfer. Der Spitzenniederschlag war doppelt so hoch wie der höchste regionale Niederschlag in den Trainingsdaten der Modelle.

Solche Ereignisse nennt man „Gray Swans“: physikalisch möglich, aber in den historischen Aufzeichnungen und damit in den KI-Trainingsdaten nicht enthalten. Um sie vorherzusagen, müssen Modelle über reine Mustererkennung hinausgehen und möglicherweise zugrunde liegende physikalische Prozesse lernen.

Obwohl es in ihren Trainingsdaten kein Vorbild gab, sagten alle drei Modelle Zeitpunkt und Ort des Ereignisses fünf Tage im Voraus voraus, was die Studie als überraschend bezeichnet. Zwei der Modelle trafen die Niederschlagsmenge recht gut. Das dritte unterschätzte sie deutlich.

Translokation statt Extrapolation

Das Team wollte wissen, wie den erfolgreichen Modellen das gelang. Co-Autor Y. Qiang Sun, der die Arbeit als Research Scientist im Department of Geophysical Sciences der UChicago leitete und inzwischen an der Nanjing University lehrt, formulierte die Frage so: „Hat es von lokalen, schwächeren Ereignissen extrapoliert oder ähnliche starke Ereignisse aus anderen Regionen übertragen, um seine Vorhersage zu treffen?“ Laut Sun deutet die Analyse darauf hin, dass das Modell globale Informationen berücksichtigt.

Co-Autor Pedram Hassanzadeh, Associate Professor für Geophysical Sciences und Faculty Director von AI for Climate, sagte, das Team nenne dies „Translokation, die sich von Extrapolation unterscheidet“. Der Befund passt zu früheren Arbeiten der Gruppe zu Gray-Swan-Tropenstürmen und anderen KI-Wettermodellen.

Grenzen: Die stärksten Ereignisse werden weiter unterschätzt

Die Forschenden untersuchten auch Extremwetter auf der Nordhalbkugel insgesamt. Alle drei Modelle unterschätzten die stärksten extremen Niederschlagsereignisse weltweit erheblich, obwohl solche Ereignisse in ihren Trainingsdaten vorkamen.

Fehler bei der Modellierung von Extremwetter werden oft damit erklärt, dass die Ereignisse in den Trainingsdaten selten sind. Die Analyse des Teams verweist bei extremem Regen auf eine weitere Ursache: den Spectral Bias. Gemeint ist die Neigung neuronaler Netze, großräumige Merkmale leicht zu lernen, bei kleinräumigen Details aber Schwierigkeiten zu haben. Das kann Vorhersagen verwischen und vor allem bei längeren Vorlaufzeiten die Prognosen verschlechtern.

Co-Autorin Tiffany Shaw, Professorin im Department of Geophysical Sciences der UChicago, betonte, wie wichtig es sei zu verstehen, warum Modelle erfolgreich sind oder scheitern. „Wenn wir diese Modelle verbessern wollen, müssen wir verstehen, wie sie funktionieren“, sagte sie.

Was das für Frühwarnungen bedeutet

Der Hintergrund ist praktischer Natur. KI-Wettermodelle liefern gute Kurz- bis Mittelfristprognosen für globale Wettermuster, erreichen oder übertreffen dabei physikbasierte Modelle und sind schneller und günstiger im Betrieb. Zudem treten Extremereignisse in einer sich erwärmenden Welt häufiger auf, was den Bedarf an präzisen Vorhersagen erhöht.

Die Autorinnen und Autoren sehen in der Arbeit einen weiteren Beleg dafür, dass KI-Wettermodelle physikalisch sinnvolle Dynamiken lernen können. Diese Fähigkeit sei aber noch nicht weit genug entwickelt, um die extremsten Ereignisse mit ausreichender Vorlaufzeit für nützliche Warnungen genau vorherzusagen. Es gibt Ansätze, um manche Defizite zu beheben, darunter ein hybrider Ansatz aus KI und Physik, den das Team kürzlich vorgeschlagen hat. Die Forschenden betonen, dass weitere Arbeit nötig ist, um die Modelle zu verbessern.