Modelle des maschinellen Lernens erobern die Welt der Wettervorhersage, von der schnellen Frage „Wie lange wird dieser Regen anhalten?“ über 10-Tage-Aussichten bis hin zu Vorhersagen auf Jahrhundertebene.Diese Technologie wird für Klimaforscher, Apps und lokale Nachrichtensender immer wichtiger, aber sie „kennt“ das Wetter tatsächlich nicht besser als Sie oder ich.
Jahrzehntelang wurden Meteorologie und Wettervorhersage weitgehend durch den Abgleich von Beobachtungsdaten mit sorgfältig abgestimmten physikalischen Modellen und Gleichungen definiert. Das stimmt immer noch – es gibt keine Wissenschaft ohne Beobachtungen – aber riesige Datenarchive haben es leistungsstarken KI-Modellen ermöglicht, jeden gewünschten Zeitrahmen abzudecken. Google möchte diesen Bereich jetzt und für immer dominieren.
Auf kürzeren Zeitskalen haben wir sofortige Prognosen und beraten uns oft zu der Frage „Muss ich einen Regenschirm mitbringen?“ Das „Instant Forecast“-Modell von DeepMind löst dieses Problem, indem es Niederschlagskarten im Wesentlichen als eine Folge von Bildern betrachtet und versucht, vorherzusagen, wie sich die Formen in diesen Bildern entwickeln und verändern werden.
Durch die Untersuchung unzähliger Stunden Doppler-Radar kann das Modell mit großer Genauigkeit vorhersagen, was als nächstes passieren wird, selbst in recht komplexen Situationen wie Kaltfronten mit Schnee oder Eisregen (wie chinesische Forscher anhand von Google-Arbeiten zeigen: https://www.nature.com/articles/s41586-023-06184-4#Abs1).
Dieses Modell ist ein Beispiel dafür, wie genaue Wettervorhersagen erstellt werden können, wenn ein System nicht weiß, wie das Wetter auftreten wird. Meteorologen können Ihnen sagen, dass es zu Nebel, Hagel oder heißem und feuchtem Wetter kommt, wenn ein Klimaphänomen mit einem anderen kollidiert, denn das sagt ihnen die Physik. Das KI-Modell weiß nichts über Physik – rein auf der Grundlage von Daten macht es statistische Vermutungen darüber, was als nächstes passieren wird. So wie ChatGPT nicht wirklich „weiß“, wovon es spricht, „wissen“ auch Wettermodelle nicht, was sie vorhersagen.
Es mag für diejenigen eine Überraschung sein, die glauben, dass ein starker theoretischer Rahmen notwendig ist, um genaue Vorhersagen zu treffen, aber Wissenschaftler haben immer noch Bedenken, blind ein System zu übernehmen, das nicht einmal einen Regentropfen oder einen Sonnenstrahl kennt. Dennoch sind diese Ergebnisse beeindruckend und gut genug für eine einfache Frage wie „Wird es auf dem Weg zum Laden regnen?“
Google-Forscher haben kürzlich auch ein neues, etwas längeres Modell namens MetNet-3 vorgestellt, das das Wetter bis zu 24 Stunden in der Zukunft vorhersagen kann. Wie Sie vielleicht erraten haben, bezieht dieses Modell Daten aus einem größeren Maßstab ein, beispielsweise von Wetterstationen im gesamten Landkreis oder Bundesstaat, und erstellt Vorhersagen in größerem Maßstab. Dies gilt für Situationen wie „Wird der Sturm über die Berge ziehen oder sich auflösen?“ Für die Planung von Rettungsdiensten und den Einsatz anderer Ressourcen ist es von entscheidender Bedeutung, zu wissen, ob Windgeschwindigkeiten oder Hitze morgen früh in Gefahrenzonen vordringen werden.
Heute gibt es neue Fortschritte im Bereich der Wettervorhersage im „mittleren“ Maßstab (dh für die nächsten 7–10 Tage). Forscher von Google DeepMind haben in Science einen Artikel veröffentlicht, in dem GraphCast beschrieben wird, das „Wetterbedingungen bis zu 10 Tage im Voraus genauer und schneller vorhersagen kann als das Goldstandard-Wettermodellierungssystem der Branche“.
GraphCast skaliert nicht nur zeitlich, sondern auch in der Größe und deckt die gesamte Erde mit einer Längen-/Breitengradauflösung von 0,25 Grad ab, also etwa 28 × 28 Kilometer am Äquator. Das bedeutet, die Wetterbedingungen an mehr als einer Million Punkten auf der Erde vorherzusagen. Natürlich sind einige davon interessanter als andere, aber der Schlüssel liegt darin, ein globales System aufzubauen, das die wichtigsten Wettermuster für die nächste Woche oder so genau vorhersagt.
„Unser Ansatz sollte nicht als Ersatz für traditionelle Wettervorhersagemethoden betrachtet werden, sondern zeigt vielmehr, dass MLWP in der Lage ist, die Herausforderungen realer Vorhersageprobleme zu meistern und das Potenzial hat, die derzeit besten Methoden zu ergänzen und zu verbessern“, schreiben die Autoren.
Es sagt Ihnen nicht, ob es in der Nähe Ihres Zuhauses oder nur in der nächsten Stadt regnen wird, ist aber bei größeren Wetterereignissen wie starken Stürmen und anderen gefährlichen Anomalien nützlich. Diese Ereignisse ereignen sich im gesamten System über Tausende von Kilometern hinweg, was bedeutet, dass GraphCast sie sehr detailliert simulieren und ihre Bewegung und Masse vorhersagen kann – und das alles in weniger als einer Minute mit nur einer Google-Recheneinheit.
Effizienz ist ein wichtiger Aspekt. „Numerische Wettervorhersagen“, herkömmliche physikbasierte Modelle, sind rechenintensiv. Natürlich können sie Vorhersagen schneller machen als das Wetter passiert, sonst sind sie wertlos – aber man muss die Arbeit Supercomputern überlassen, und selbst dann dauert es eine Weile, mit kleinen Änderungen Vorhersagen zu treffen.
Es ist beispielsweise ungewiss, ob die Stärke von Flüssen in der Atmosphäre zunimmt oder abnimmt, bevor ein Zyklon zuschlägt. Möglicherweise möchten Sie mehrere Prognosen unterschiedlicher Intensität, mehrere Prognosen unterschiedlicher Intensität und eine Prognose erstellen, die gleich bleibt. Auch dies ist in Situationen wie Stürmen, Überschwemmungen und Waldbränden wichtig. Zu wissen, dass ein Gebiet einen Tag im Voraus evakuiert werden muss, kann Leben retten.
Diese Bemühungen können sehr komplex werden, wenn so viele verschiedene Variablen berücksichtigt werden müssen, dass das Modell manchmal Dutzende oder sogar Hunderte Male ausgeführt werden muss, um wirklich zu verstehen, wie sich die Dinge entwickeln werden. Wenn diese Vorhersagen auf einem Supercomputer-Cluster jedes Mal eine Stunde dauern, ist das ein Problem; Wenn sie auf einem Desktop mit Tausenden von Computern jedes Mal nur eine Minute dauern, ist das völlig in Ordnung – Sie könnten sogar darüber nachdenken, immer detailliertere Änderungen vorherzusagen!
Das ist die Idee hinter dem Klimamodellierungsprojekt am Allen Institute for Artificial Intelligence (AI2). Was würden Sie tun, wenn Sie nicht nur 10 verschiedene Optionen vorhersagen wollten, die nächste Woche auftauchen könnten, sondern Tausende von Optionen, die im Laufe des nächsten Jahrhunderts auftauchen könnten?
Diese Art der Klimawissenschaft ist für alle Arten der langfristigen Planung wichtig, aber angesichts der schieren Anzahl der Variablen, die manipuliert werden müssen, und der Zeitspannen der Prognosen, die sich über Jahrzehnte erstrecken, ist die erforderliche Rechenleistung mit Sicherheit ebenso enorm. Daher arbeitet das Team von AI2 mit Wissenschaftlern auf der ganzen Welt zusammen, um maschinelles Lernen zu nutzen, um diese Vorhersagen zu beschleunigen und zu verbessern und so „Vorhersagen“ im Jahrhundertmaßstab zu verbessern.
ClimSim-Modelle funktionieren ähnlich wie die oben diskutierten Modelle: Anstatt Zahlen in ein physikalisch basiertes, handabgestimmtes Modell einzuspeisen, behandeln sie alle Daten als ein miteinander verbundenes Vektorfeld. Wenn eine Zahl steigt, erhöht sich eine andere Zahl zuverlässig um die Hälfte und eine dritte Zahl sinkt um ein Viertel. Und selbst wenn das Modell für maschinelles Lernen nicht weiß, dass sich diese Beziehungen beispielsweise auf atmosphärisches Kohlendioxid, Oberflächentemperaturen und Biomasse der Ozeane beziehen, sind diese Beziehungen im Gedächtnis des Modells für maschinelles Lernen verankert.
Die Projektleiter sagen, dass das von ihnen erstellte Modell äußerst genau und gleichzeitig viel weniger rechenintensiv sei. Er räumt aber auch ein, dass Wissenschaftler zwar aufgeschlossen bleiben, ihrer Arbeit aber (natürlich) auch skeptisch gegenüberstehen. Wenn Sie es selbst sehen möchten, finden Sie den Code hier: https://github.com/leap-stc/ClimSim/tree/main
Da die Zeitskalen so lang sind und sich das Klima so schnell ändert, ist es schwierig, geeignete Grundwahrheiten für langfristige Vorhersagen zu finden, aber der Wert dieser Vorhersagen nimmt von Tag zu Tag zu. Wie die Forscher von GraphCast betonen, handelt es sich dabei nicht um einen Ersatz für andere Methoden, sondern um eine Ergänzung. Es besteht kein Zweifel, dass Klimaforscher jedes Werkzeug haben wollen, das ihnen in die Finger kommt.