Big-Data-Modellierung verbessert Wettervorhersage

Eine Reihe bedeutender Durchbrüche in der ML-basierten Wettervorhersage ermöglicht es der Wissenschaft, das Wetter von morgen mit größerer Präzision vorherzusagen, auch wenn infolge der globalen Erwärmung immer häufiger unvorhergesehene Klimagefahren drohen.

Abendrot, Schönwetterbot – Morgenrot, schlecht Wetter droht. Seit Jahrhunderten verlassen sich die Menschen auf Wettervorhersagen, um ihr Leben und ihre Lebensgrundlage zu schützen. Die moderne Technik geht heute weit über den Blick zum Himmel hinaus. Die Meteorologen von heute nutzen Supercomputer, die riesige Datenmengen anhand eines mathematischen Modells verarbeiten. Diese gigantischen Rechner können mehr als 10.000 Billionen Berechnungen pro Sekunde durchführen und täglich Hunderte Milliarden von Wetterbeobachtungen rund um den Globus durchforsten. Dennoch ist es immer noch kaum möglich, die Witterungsbedingungen im Voraus zu kennen. Die Atmosphäre ist ein dynamisches und chaotisches System mit vielen Unbekannten. Erschwerend kommt hinzu, dass die globale Erwärmung die Häufigkeit von Unwetterereignissen wie Hitzewellen, Überschwemmungen und Stürmen erhöht.

Schnelle und genaue Wettervorhersagen waren noch nie so wichtig wie heute, denn Unternehmen, staatliche Institutionen und private Haushalte wollen Leben schützen, Kosten begrenzen und sich gegen Wettergefahren wappnen, die weltweit einen wirtschaftlichen Schaden von schätzungsweise 200 Millliarden US-Dollar pro Jahr verursachen. Die Schätzungen von Swiss Re basieren auf vier Wettergefahren: Überschwemmungen, tropische Wirbelstürme, Winterstürme in Europa und schwere Gewitter.

Zum Glück machen es maschinelles Lernen (ML) und Big-Data-Modellierung möglich, dass die Wissenschaft Veränderungen in der Atmosphäre mit größerer Präzision für längere Zeiträume vorhersagen kann. Gleichzeitig machen technologische Fortschritte die Wettervorhersage zu einem Geschäftsmodell und senken die Eintrittsbarrieren in einen Bereich, der bislang ein unterfinanzierter öffentlicher Dienst war.

Ein großer Durchbruch wurde 2023 durch vortrainierte ML-Modelle erzielt, die von dem chinesischen Unternehmen Huawei entwickelt wurden. Pangu-Weather ist ein hochauflösendes 3D-Programm, das mit nur einem Server schnellere und genauere Wettervorhersagen als mit herkömmlichen Methoden ermöglicht.

Ende 2023 stellte das Google-Unternehmen DeepMind das KI-basierte Wettervorhersagesystem GraphCast vor, das auf einem Desktop-Computer läuft. Und im März brachte Nvidia die digitale Earth-2-Plattform auf den Markt, um Wetter- und Klimabedingungen zu simulieren.

„Datengestützte Modelle können bei Extremereignissen mit auf physikalischen Größen basierten Modellen konkurrieren. Die Wissenschaft holt sehr schnell auf, und maschinelles Lernen kann uns helfen, schneller und mit höherer Auflösung Modelle zu erstellen“, sagt Nicolas Gruber, Professor für Umweltphysik an der ETH Zürich und Experte für Klimamodellierung.

„Derzeit werden die meisten Innovationen in diesem Bereich von privaten Unternehmen vorangetrieben. Alle großen Technologieunternehmen haben in großem Stil in dieses Gebiet investiert. Gleichzeitig ist der private Sektor auf riesige Mengen an offenen Daten angewiesen, die die Wissenschaft und öffentliche Einrichtungen wie die Wetterdienste gegen Gebühr zur Verfügung stellen. Ohne diese Daten wäre es nicht möglich gewesen, diese datenbasierten Modelle zu trainieren.

Black Box und schwarze Schwäne

Die moderne Wettervorhersage stützt sich auf die auf physikalischen Größen basierte numerische Wettervorhersage (NWP), bei der die neuesten Wetterbeobachtungen, wie Temperatur, Niederschlag, Luftdruck, Wind und Luftfeuchtigkeit, zusammen mit einem mathematischen Computermodell der Atmosphäre zur Erstellung einer Vorhersage verwendet werden.

Heute, so Gruber, liege die Gitterauflösung dank der Fortschritte im Hochleistungs-Computing bei etwa 1,5 Kilometer für einen Zeitraum von sieben bis zehn Tagen, was doppelt so viel ist wie vor zwanzig Jahren. Dies ist zwar ein Durchbruch, doch reicht die Auflösung noch nicht aus, um Behörden in die Lage zu versetzen, eine wirksame Katastrophenprävention und Evakuierungsplanung für Extremereignisse wie Wirbelstürme zu betreiben, und Unternehmen die Möglichkeit zu geben, Verlustrisiken für den Fall von Überschwemmungen oder Dürreperioden zu begrenzen. „Die Herausforderung liegt in der genaueren Identifizierung der Zugbahnen und der Vorhersage der Gebiete, die evakuiert werden müssen“, sagt Gruber.