Google DeepMind AI liefert supergenaue 10-Tage-Wettervorhersagen

Dieses Jahr war eine ununterbrochene Parade von extremen Wetterereignissen. Eine beispiellose Hitze erfasste den Globus. Diesen Sommer war das heißeste der Erde seit 1880. Von Sturzfluten in Kalifornien und Eisstürmen in Texas bis hin zu verheerenden Waldbränden in Maui und Kanada – wetterbedingte Ereignisse hatten tiefgreifende Auswirkungen auf Leben und Gemeinschaften.

Bei der Vorhersage dieser Ereignisse zählt jede Sekunde. KI könnte helfen.

Diese Woche Google DeepMind eine KI veröffentlicht das 10-Tage-Wettervorhersagen mit beispielloser Genauigkeit und Geschwindigkeit liefert. Das als GraphCast bezeichnete Modell kann Hunderte von wetterbezogenen Datenpunkten für einen bestimmten Standort durchsuchen und in weniger als einer Minute Vorhersagen erstellen. Bei der Herausforderung mit über tausend potenziellen Wettermustern übertraf die KI modernste Systeme in etwa 90 Prozent der Fälle.

Aber bei GraphCast geht es nicht nur darum, eine genauere Wetter-App für die Garderobenauswahl zu entwickeln.

Obwohl die KI nicht ausdrücklich darauf trainiert ist, extreme Wettermuster zu erkennen, hat sie mehrere atmosphärische Ereignisse erfasst, die mit diesen Mustern in Zusammenhang stehen. Im Vergleich zu früheren Methoden konnten die Flugbahnen von Zyklonen genauer verfolgt und atmosphärische Flüsse erkannt werden – sehnige Regionen in der Atmosphäre, die mit Überschwemmungen in Verbindung gebracht werden.

GraphCast hat den Beginn extremer Temperaturen auch weit vor den derzeitigen Methoden vorhergesagt. Mit 2024 dürfte noch wärmer werden Angesichts zunehmender extremer Wetterereignisse könnten die Vorhersagen der KI den Gemeinden wertvolle Zeit verschaffen, sich vorzubereiten und möglicherweise Leben zu retten.

„GraphCast ist heute das genaueste 10-Tage-Wettervorhersagesystem der Welt und kann extreme Wetterereignisse weiter in der Zukunft vorhersagen, als dies bisher möglich war“, so die Autoren schrieb in einem DeepMind-Blogbeitrag.

Regnerische Tage

Die Vorhersage von Wetterverhältnissen, auch wenn sie nur eine Woche im Voraus erfolgen, ist ein altes, aber äußerst anspruchsvolles Problem. Wir stützen viele Entscheidungen auf diese Prognosen. Einige sind in unserem Alltag verankert: Soll ich mir heute meinen Regenschirm schnappen? Bei anderen Entscheidungen geht es um Leben und Tod, etwa wann der Befehl zur Evakuierung erteilt oder ob ein Unterschlupf gewährt wird.

Unsere aktuelle Prognosesoftware basiert größtenteils auf physikalischen Modellen der Erdatmosphäre. Durch die Untersuchung der Physik von Wettersystemen haben Wissenschaftler aus jahrzehntelangen Daten eine Reihe von Gleichungen geschrieben, die dann in Supercomputer eingespeist werden, um Vorhersagen zu erstellen.

Ein prominentes Beispiel ist das Integrierte Prognosesystem am Europäischen Zentrum für mittelfristige Wettervorhersage. Das System verwendet ausgefeilte Berechnungen, die auf unserem aktuellen Verständnis von Wettermustern basieren, um alle sechs Stunden Vorhersagen zu erstellen und der Welt einige der genauesten verfügbaren Wettervorhersagen zu liefern.

Dieses System „und die moderne Wettervorhersage im Allgemeinen sind Triumphe der Wissenschaft und Technik“, schrieb das DeepMind-Team.

Im Laufe der Jahre hat sich die Genauigkeit physikbasierter Methoden rasch verbessert, teilweise dank leistungsfähigerer Computer. Sie bleiben jedoch zeitaufwändig und kostspielig.

Das ist nicht überraschend. Das Wetter ist eines der komplexesten physikalischen Systeme auf der Erde. Sie haben vielleicht schon vom Schmetterlingseffekt gehört: Ein Schmetterling schlägt mit den Flügeln und diese winzige Veränderung in der Atmosphäre verändert die Flugbahn eines Tornados. Auch wenn es nur eine Metapher ist, spiegelt es doch die Komplexität der Wettervorhersage wider.

GraphCast verfolgte einen anderen Ansatz. Vergessen Sie die Physik, lassen Sie uns Muster allein in vergangenen Wetterdaten finden.

Ein KI-Meteorologe

GraphCast baut auf einer Art von auf neuronale Netzwerk Dies wurde zuvor zur Vorhersage anderer physikbasierter Systeme wie der Fluiddynamik verwendet.

Es besteht aus drei Teilen. Zunächst ordnet der Encoder relevante Informationen – beispielsweise Temperatur und Höhe an einem bestimmten Ort – einem komplexen Diagramm zu. Betrachten Sie dies als eine abstrakte Infografik, die Maschinen leicht verstehen können.

Der zweite Teil ist der Prozessor, der lernt, Informationen zu analysieren und an den letzten Teil, den Decoder, weiterzuleiten. Der Decoder übersetzt die Ergebnisse dann in eine reale Wettervorhersagekarte. Insgesamt kann GraphCast Wettermuster für die nächsten sechs Stunden vorhersagen.

Aber sechs Stunden sind nicht 10 Tage. Hier ist der Clou. Die KI kann aus ihren eigenen Prognosen lernen. Die Vorhersagen von GraphCast werden als Eingabe in sich selbst zurückgekoppelt, sodass das Wetter nach und nach das Wetter in der Zukunft vorhersagen kann. Es handelt sich um eine Methode, die auch in herkömmlichen Wettervorhersagesystemen verwendet wird, schrieb das Team.

GraphCast wurde auf der Grundlage historischer Wetterdaten aus fast vier Jahrzehnten trainiert. Mithilfe einer „Teile-und-Herrsche“-Strategie teilte das Team den Planeten in kleine Flecken auf, etwa 17 mal 17 Kilometer am Äquator. Dies führte zu mehr als einer Million „Punkten“, die den Globus abdeckten.

Für jeden Punkt wurde die KI mit Daten trainiert, die zu zwei Zeitpunkten gesammelt wurden – zum einen aktuell, zum anderen vor sechs Stunden – und Dutzende Variablen von der Erdoberfläche und der Atmosphäre umfassten – wie Temperatur, Luftfeuchtigkeit sowie Windgeschwindigkeit und -richtung in vielen verschiedenen Höhen

Das Training war rechenintensiv und dauerte einen Monat.

Einmal trainiert, ist die KI selbst jedoch hocheffizient. Mit einer einzigen TPU kann in weniger als einer Minute eine 10-Tage-Prognose erstellt werden. Herkömmliche Methoden mit Supercomputern erfordern stundenlange Berechnungen, erklärte das Team.

Lichtstrahl

Um seine Fähigkeiten zu testen, hat das Team GraphCast mit dem aktuellen Goldstandard für Wettervorhersagen verglichen.

Die KI war in fast 90 Prozent der Fälle genauer. Es zeichnete sich besonders aus, wenn es sich ausschließlich auf Daten aus der Troposphäre stützte – der Schicht der Atmosphäre, die der Erde am nächsten liegt und für die Wettervorhersage von entscheidender Bedeutung ist – und schlug die Konkurrenz in 99.7 Prozent der Fälle. GraphCast schnitt ebenfalls besser ab Pangu-Wetter, ein konkurrierendes Top-Wettermodell, das maschinelles Lernen nutzt.

Als nächstes testete das Team GraphCast in mehreren gefährlichen Wetterszenarien: Verfolgung tropischer Wirbelstürme, Erkennung atmosphärischer Flüsse und Vorhersage extremer Hitze und Kälte. Obwohl die KI nicht auf bestimmte „Warnzeichen“ trainiert ist, schlägt sie früher Alarm als herkömmliche Modelle.

Das Modell wurde auch von der klassischen Meteorologie unterstützt. Beispielsweise fügte das Team den Prognosen von GraphCast bestehende Zyklon-Tracking-Software hinzu. Die Kombination hat sich ausgezahlt. Im September konnte die KI erfolgreich die Flugbahn des Hurrikans Lee vorhersagen, der über die Ostküste in Richtung Nova Scotia fegte. Das System hat die Landung des Sturms neun Tage im Voraus genau vorhergesagt – drei wertvolle Tage schneller als herkömmliche Vorhersagemethoden.

GraphCast wird herkömmliche physikbasierte Modelle nicht ersetzen. DeepMind hofft vielmehr, dass es sie stärken kann. Das Europäische Zentrum für mittelfristige Wettervorhersagen experimentiert bereits mit dem Modell um zu sehen, wie es in ihre Vorhersagen integriert werden könnte. DeepMind arbeitet auch daran, die Fähigkeit der KI zu verbessern, mit Unsicherheiten umzugehen – ein dringender Bedarf angesichts des zunehmend unvorhersehbaren Verhaltens des Wetters.

GraphCast ist nicht der einzige KI-Wettermann. DeepMind- und Google-Forscher haben zuvor zwei gebaut regional für das kurzfristige Wettervorhersagen für 90 Minuten oder 24 Stunden im Voraus genau vorhersagen kann. GraphCast kann jedoch weiter in die Zukunft blicken. Bei Verwendung mit Standard-Wettersoftware könnte die Kombination Entscheidungen über Wetternotfälle beeinflussen oder die Klimapolitik steuern. Zumindest könnten wir zuversichtlicher sein, wenn es um die Entscheidung geht, diesen Schirm in die Tat umzusetzen.

„Wir glauben, dass dies einen Wendepunkt in der Wettervorhersage darstellt“, schrieben die Autoren.

Bild-Kredit: Google DeepMind

• SEO-gestützte Content- und PR-Distribution. Holen Sie sich noch heute Verstärkung.
• PlatoData.Network Vertikale generative KI. Motiviere dich selbst. Hier zugreifen.
• PlatoAiStream. Web3-Intelligenz. Wissen verstärkt. Hier zugreifen.
• PlatoESG. Kohlenstoff, CleanTech, Energie, Umwelt, Solar, Abfallwirtschaft. Hier zugreifen.
• PlatoHealth. Informationen zu Biotechnologie und klinischen Studien. Hier zugreifen.
• Quelle: https://singularityhub.com/2023/11/16/google-deepmind-ai-nails-super-accurate-10-day-weather-forecasts/