Möchte man am Wochenende beispielweise eine Radtour planen, hilft es oft wenig, schon am Anfang der Woche den geeigneten Tag dafür herauszusuchen. Die Erfahrung mit herkömmlichen Wetter-Apps zeigt:  Je weiter man versucht, in die Zukunft zu planen, desto ungenauer sind die Prognosen. Künstliche Intelligenz (KI) könnte eine entscheidende Rolle spielen, um das zu ändern. Die Idee, statt physikalischer Modelle (wie bei bisher genutzten Vorhersagen) datengetriebene Vorhersagen zu verwenden, liegt nahe. Denn der Rechenaufwand für solche Modelle ist viel kleiner, sie kommen schneller zu Ergebnissen. Beispiele von Huawei mit Pangu-Weather, einem Modell namens NowcastNet und das neuronale Netz von Deepmind zeigen, wie weit die KI-Wettervorhersage ist.

Die Forschungsabteilung von Huawei hat im vergangenen Sommer ein tiefes, neuronales Netzwerk entwickelt, das globale Wettervorhersagen für bis zu sieben Tage erstellt. Und zwar mit vergleichbarer Genauigkeit, aber 10.000 mal schneller als aktuell existierende Wettermodelle.

Pangu-Weather nennt Huawei sein Modell. Es verwendet zwei neue Techniken, um die Ergebnisse zu verbessern: Zum einen arbeitet das Team um Kaifeng Bi mit einem Transformer-Modell, das dreidimensionale Daten verarbeitet. Die Software berechnet meteorologische Größen wie Temperatur, Druck, Windgeschwindigkeit und Luftfeuchtigkeit in verschiedenen Höhenschichten. Weil sie die Berechnungen für die unterschiedlichen Höhen innerhalb des Modells untereinander konsistent halten, vermeiden die Forschenden auf diese Weise elegant, dass das Modell unphysikalisch wird – und so aus dem Ruder läuft.

Außerdem erstellt das Modell seine Vorhersagen sequenziell, und nutzt die Vorhersage über eine Stunde als Input für die nächste Zeitstufe – bis es schließlich bei einem Vorhersage-Zeitraum von sieben Tagen anlangt. Auch dieses Vorgehen sorgt offenbar für mehr Konsistenz in den Ergebnissen.

Um die Qualität des Modells zu ermitteln, verglichen die Forschenden die Ergebnisse mit denen existierender numerischer Modelle – nicht direkt mit historischen Wetterdaten. Außerdem kann Pangu-Weather keine Niederschläge vorhersagen – ein notorisch schwieriges, aber praktisch sehr wichtiges Problem der Wettervorhersage. Allerdings waren die Forschenden in der Lage, den Weg eines tropischen Wirbelsturms genau zu verfolgen, obwohl das Modell nicht explizit mit Daten über tropische Wirbelstürme trainiert worden ist. Nach Angaben des chinesischen Wetterdienstes hat Pangu-Weather die Zugbahn des Taifuns Mawar fünf Tage vor seinem Eintreffen in den östlichen Gewässern der Inseln Taiwans präzise vorhergesagt.

Ein zweites chinesisches Team, das mit Forschenden der University of Berkeley zusammen arbeitet, hat in demselben Zeitraum ein verbessertes neuronales Netz vorgestellt, das Starkregen-Ereignisse aus Radar-Daten vorausberechnet – ein sogenannter Nowcast. Nicht nur die Genauigkeit von NowcastNet ist besser als die existierender Modelle. Mit drei Stunden Vorlaufzeit rechnet das Modell auch weiter in die Zukunft als es beispielsweise das 2021 von Deepmind vorgestellte Netz (mehr dazu weiter unten) kann.

NowcastNet demonstriert, wie ein Deep-Learning-Algorithmus extreme Regenfälle genauer und mit größerer Vorlaufzeit vorhersagen kann, als bisher führende Methoden. Stürme und Starkregen verursachen große Schäden. Daher ist auch hier der Faktor Zeit entscheidend: Herkömmliche numerische Wettervorhersagen brauchen jedoch zu lange, um zu berechnen, wie sich beispielsweise ein aufziehender Starkregen in den nächsten Stunden weiter entwickeln wird. Hier sollen die sehr viel schnelleren Nowcasts mit tiefen neuronalen Netzen helfen.

Wie bereits andere Forschungsgruppen vor ihnen verwendeten auch Yuchen Zhang und seine Kolleg:innen Radardaten als Input, die Momentaufnahmen von Wettermustern liefern. Das funktioniert in manchen Fällen schon recht gut, versagt aber immer dann, wenn das Muster der Input-Daten zu weit von den gelernten Mustern aus den Trainingsdaten entfernt ist, also beispielsweise bei Extremwetter-Ereignissen. NowcastNet berechnet daher nicht einfach nur, wie sich das Muster der Radardaten in Zukunft entwickelt, sondern gleichzeitig auch, wie sich das zugehörige Feld der Windgeschwindigkeiten entwickelt. Das Muster der Niederschläge im Regenradar ist als im Modell an physikalische Randbedingungen gekoppelt. 62 chinesische Meteorologen bewerteten das System im Vergleich zu anderen ähnlichen Systemen und kamen zu dem Schluss, dass es in etwa 70 Prozent der Fälle die beste Regenvorhersagemethode darstellt.

Das Netz von Deepmind arbeitet mit „Deep Generative Model of Rainfall“ (DGMR). Die Forscher:innen trainierten es mit Regenradar-Daten. Das Modell funktioniert ähnlich wie die bekannten Generative Adversarial Networks, kurz GANs. Diese Art der KI wird darauf trainiert, neue Datenmuster zu erzeugen, die den realen Daten, mit denen sie trainiert wurde, sehr ähnlich sind. Normalerweise werden GANs beispielsweise verwendet, um Deepfakes oder auch mal einen gefälschten Rembrandt zu errechnen. In diesem Fall lernte DGMR, Radarbilder zu erzeugen und damit die Reihe der real aufgenommenen Messbilder fortzusetzen. Allerdings dient das generative Netzwerk nicht nur der Vorhersage, sondern es liefert – quasi nebenbei – auch eine Aussage über die Wahrscheinlichkeit, mit der diese Vorhersage eintrifft.

Für einen Praxistest bat das Forschungsteam 56 Meteorologen des Met Office, die nicht an der Forschung beteiligt waren, die Ergebnisse des DGMR mit Vorhersagen zu vergleichen, die von einer hochmodernen Physiksimulation und einem konkurrierenden Deep-Learning-Tool erstellt wurden. 89 Prozent gaben an, dass sie die Ergebnisse des DGMR vorziehen. Sie berücksichtigten dabei eine Reihe von Faktoren – einschließlich der Vorhersage des Ortes, des Ausmaßes, der Bewegung und Intensität des Regens.

Technisch sind die drei Modelle also durchaus beeindruckend – wenngleich noch nicht der entscheidende Durchbruch der KI in der Wettervorhersage.