Machine-Learning-Korrektur verdoppelt Genauigkeit von Wetterprognosen für zwei bis sechs Wochen
Ein Team unter Beteiligung von MIT-Forschern hat eine Machine-Learning-Schicht entwickelt, die Fehler bestehender Prognosemodelle korrigiert. Laut MIT News verdoppelte sie die Genauigkeit eines Goldstandard-Modells im Bereich von zwei bis sechs Wochen. Die in Nature veröffentlichte Arbeit soll die erste sein, die in diesem Zeitfenster klimatologische Durchschnittswerte übertrifft.
- Eine Machine-Learning-Nachbearbeitungsschicht verdoppelte laut MIT News die Genauigkeit eines Goldstandard-Modells bei Prognosen für zwei bis sechs Wochen.
- Sie belegte in einem ECMWF-Vorhersagewettbewerb den ersten Platz und schlug in diesem Bereich erstmals klimatologische Durchschnittswerte.
- Das Modell verbesserte auch die Vorhersage von Extremwetter statistisch signifikant.
- Laut Judah Cohen funktioniert es als Zusatz-Wrapper für jedes Modell und ist Open Source und kostengünstig.
- Kenias Wetterdienst hat bereits angefragt, es für Prognosen der Monsunzeit zu nutzen.
Ein Mittel gegen die „Vorhersagbarkeitswüste“
Wettervorhersagen jenseits von zwei Wochen gelten als notorisch unzuverlässig. Energieversorgern, Landwirten und Katastrophenschützern bleibt dadurch wenig Zeit zur Vorbereitung. MIT News verweist auf die Winterstürme in Texas im Februar 2021, die zum schwersten Ausfall der Energieinfrastruktur in der Geschichte des Bundesstaats führten und mindestens 246 Menschenleben forderten. Hätten die Verantwortlichen im Energiesektor mehr Vorwarnzeit gehabt, etwa um zusätzliche Lkw-Ladungen Erdgas heranzuschaffen, wäre der Schaden möglicherweise geringer ausgefallen.
Die neue Methode zielt auf die sogenannte subsaisonale Vorhersage, also den Bereich von zwei bis sechs Wochen. MIT-Forschungswissenschaftler Judah Cohen, ein Co-Autor, nennt diesen Bereich die „Vorhersagbarkeitswüste“. Auf kurze Sicht können Meteorologen die Anfangsbedingungen der Atmosphäre nutzen, auf längere Sicht sich langsam verändernde Randbedingungen wie El Niño. Der subsaisonale Bereich profitiert von keinem von beiden. „In den meisten Fällen unterscheidet sich die subsaisonale Vorhersage nicht davon, ins Casino zu gehen und zu würfeln“, sagt Cohen.
So funktioniert die Nachbearbeitungsschicht
Die besten heutigen Vorhersagen stammen von dynamischen Modellen, die numerisch simulieren, wie sich Atmosphäre und Ozeane entwickeln, oder von KI-Modellen, die mit historischen Wetterdaten trainiert wurden. Laut dem Artikel haben KI-Modelle die Kurzfristvorhersage verbessert, schneiden auf längeren Zeitskalen aber schlechter ab als dynamische Modelle.
Die Forscher entwickelten ein Machine-Learning-Modell, das sich um ein bestehendes Vorhersagesystem legt. Cohen zufolge stammt die Idee von Co-Autor Lester Mackey, der sie Postprocessing nennt. Die Schicht lernt per KI aus den früheren Fehlern eines Systems in historischen Daten und verschiebt dann dessen Prognosen. Andere Systeme setzen einfachere Fehlerkorrekturen ein. Die Vorhersagen sind probabilistisch, geben also die Wahrscheinlichkeit einer Bandbreite möglicher Ergebnisse an. „Je mehr Prognosen und Daten verfügbar werden, desto besser passt unser Modell seine Korrektur an“, sagt Cohen.
Das Team trainierte das Modell auf MIT Engaging, einem Supercomputing-Cluster. Das fertige Modell benötigt zum Betrieb jedoch keinen Supercomputer.
Ergebnisse in einem internationalen Wettbewerb
Im vergangenen Jahr reichte das Team drei Modelle mit der Nachbearbeitungsschicht beim European Center for Medium-Range Weather Forecasts (ECMWF) ein, das im Artikel als das weltweit beste Vorhersagezentrum bezeichnet wird. Die erstplatzierte Einreichung kombinierte das ECMWF-Vorhersagemodell mit einem weiteren Modell und wendete die Korrektur obendrauf an. Dadurch verdoppelte sich die Vorhersagekraft des ursprünglichen Modells im subsaisonalen Bereich.
Zudem gelang erstmals einem Modell eine Verbesserung gegenüber dem Rückgriff auf klimatologische Durchschnittswerte. „Bisher konnte niemand zeigen, dass ein Modell das Wetter bei diesen subsaisonalen Vorhersagen besser vorhersagt als langjährige Durchschnitte“, sagt Cohen.
Auch bei der Vorhersage von Extremwetter wie Überschwemmungen oder Kälteeinbrüchen zeigte das Modell eine statistisch signifikante Verbesserung. Cohen weist darauf hin, dass das Modell schlechter bei Extremen wurde, als das ECMWF eine eigene Fehlerkorrektur ohne KI einführte. Er vermutet, das liege daran, dass die herkömmliche Bias-Korrektur zum Mittelwert hinzieht, während Extremwetter am Rand der Wahrscheinlichkeiten liegt.
Breite Einsetzbarkeit und nächste Schritte
In der Nature-Veröffentlichung zeigte das Team, dass die Technik die Landvorhersagen in den meisten Regionen der Welt verbessern kann. Auf andere Modelle angewendet, verbesserte sie auch diese und brachte schwächere Modelle auf das Niveau der ECMWF-Prognosen. Cohen beschreibt sie als Zusatz-Wrapper, der sich mit jedem Modell nutzen lässt, auch mit solchen, die bereits mit einem anderen KI-Algorithmus verzerrungskorrigiert wurden, und sagt, sie sei Open Source und kostengünstig.
Cohen zufolge hat der Wetterdienst der Republik Kenia bereits angefragt, das Modell einzusetzen, um in diesem Winter die Vorhersagen für die jährliche Monsunzeit und für Ernteerträge zu verbessern. Er sieht Anwendungen bei der Entscheidung, wann rund um Regen gedüngt werden sollte, beim Schutz von Pflanzen vor Frost und bei der Vermeidung von Dürren, außerdem im Energiesektor und im Katastrophenmanagement. Er zitiert Verantwortliche aus der Energiebranche, denen zufolge zwei Tage Vorwarnung bei einem Eissturm nicht genügen, zwei Wochen aber schon.
Die Erstautoren sind Hannah Guan, Soukayna Mouatadid, Genevieve Flaspohler, Paulo Orenstein, Jeremy Berman, Jakob Schloer und Joshua Talib, die Co-Autoren stammen von Microsoft und vom MIT. Die Arbeit wurde unter anderem von der U.S. National Science Foundation, der Carlos Chagas Filho Foundation for Research Support und der Europäischen Union gefördert.
