Staubstürme sind nicht nur ein Ärgernis für jeden, der sein Haus sauber halten möchte, sondern stellen auch ein echtes Gesundheitsrisiko dar und stellen ein großes ökologisches Problem dar. Atemwegserkrankungen, die durch das Einatmen von Staub und anderen Schwebeteilchen verursacht werden, gehören weltweit zu den Haupttodesursachen.
Erschwerend kommt hinzu, dass Staubpartikel, die sich frei von Land zu Land und von Kontinent zu Kontinent bewegen, Krankheitserreger verbreiten und möglicherweise zum Ausbruch von Pandemien beitragen können. Darüber hinaus haben Staubwolken einen enormen Einfluss auf das Klima: Sie absorbieren und verteilen die Sonnenstrahlen und verändern dadurch die Temperatur der Erde, außerdem beeinflussen sie die Eigenschaften von Wolken und Niederschlagsmuster.
Normalerweise entstehen Staubstürme in trockenen Gebieten wie dem Negev, der Arabischen Halbinsel, der Sahara sowie den Wüsten Nordamerikas und Asiens. Der Wind wirbelt winzige Partikel vom Boden auf, und während die größeren Sandpartikel nahe der Entstehungsstelle des Sturms sinken, können die kleineren Staubpartikel Hunderte oder sogar Tausende von Kilometern entfernt geblasen werden.
Eine frühzeitige Warnung vor Staubwellen könnte dazu beitragen, gefährdete Bevölkerungsgruppen zu schützen und die Zerstörung von Ernten zu verhindern – und uns als Bonus davor bewahren, unsere Häuser sinnlos zu reinigen. Aber die schnelle Entwicklung und Ausbreitung dieser Stürme sowie die Tatsache, dass sie sich über riesige Gebiete erstrecken, machen es schwierig vorherzusagen, wann, wo und wie stark sie zuschlagen werden.
Eine kürzlich veröffentlichte Studie von Dr. Ron Sarafian, Dori Nissenbaum und Prof. Yinon Rudich von der Abteilung für Erd- und Planetenwissenschaften am Weizmann Institute of Science bringt einen Durchbruch bei der Vorhersage von Staubstürmen. Die Studie, veröffentlicht in npj Klima- und Atmosphärenwissenschaftwurde in Zusammenarbeit mit Dr. Shira Raveh-Rubin geschrieben, ebenfalls aus derselben Abteilung bei Weizmann.
Ursprünglich wollten die Forscher Erkenntnisse aus dem Bereich Computer Vision nutzen. Da meteorologische Daten eines Staubsturms als eine Reihe von Satellitenbildern angezeigt werden können, glaubten sie, dass ein künstliches neuronales Netzwerk in der Lage sein könnte, die Muster zu „lernen“, die die Ausbreitung von Stürmen steuern – so wie diese Netzwerke gelernt haben, Videos verschiedener Stürme zu erkennen Tiere oder Gegenstände.
Ihre Hoffnungen wurden jedoch nur teilweise erfüllt. Ein normales Bild besteht aus nur drei Primärfarben mit einer beträchtlichen Überlappung zwischen ihnen. Meteorologische „Bilder“ bestehen jedoch aus nicht weniger als 60 Variablen: Temperaturdaten, Luftfeuchtigkeit, Windgeschwindigkeit und so weiter.
Während computerisierte Bildverarbeitungssysteme auf maschinellem Lernen auf der Grundlage von Archiven mit Millionen von Bildern basieren, standen für ein künstliches neuronales Netzwerk zur Identifizierung von Staubstürmen nur sehr wenige Bilder zur Verfügung: Israelischen Forschern stehen lediglich 60.000 dieser meteorologischen „Filme“ zur Verfügung. „Nachdem wir rund zwei Jahrzehnte lang detaillierte Daten von Satelliten und Bodenstationen gesammelt haben. In dieser relativ begrenzten Sammlung kommt es selten vor, dass sich mehrere Staubstürme am selben Ort bilden.
In solchen Fällen könnten alle künstlichen neuronalen Netze, die beispielsweise versuchen, die Muster zu lernen, die die Entstehung von Staubstürmen in Beerscheba steuern, unter einer sogenannten „Überanpassung“ leiden. Mit anderen Worten: Sie formulieren möglicherweise Muster auf der Grundlage begrenzter Umstände und kommen zu falschen Schlussfolgerungen, wenn neue, noch nicht erlernte Bedingungen entdeckt werden.
Zu ihrer Überraschung stellten die Forscher fest, dass die Vorhersage verbessert werden könnte, indem man dem künstlichen neuronalen Netzwerk das Leben schwerer macht. Sie beauftragten das Netzwerk nicht nur damit, herauszufinden, wann ein Staubsturm voraussichtlich einen bestimmten Punkt erreichen würde, sondern auch mit der Lösung eines Hilfsproblems: der Verfolgung des viel größeren Gebiets, in dem der Staub verteilt ist.
Um beispielsweise vorherzusagen, wann ein Staubsturm voraussichtlich Beerscheba treffen würde, erfuhr das Netzwerk, wie stark der Sturm den Libanon getroffen hatte. Mit diesem Ansatz hatte das Netzwerk Zugriff auf eine viel größere Datensammlung, aus der es auch etwas über die physikalischen und meteorologischen Umstände lernen konnte, unter denen Staub verbreitet wird.
Mithilfe von Daten, die in den letzten 20 Jahren von allen meteorologischen Stationen Israels gesammelt wurden, zeigten die Forscher, dass sie während des staubreichen Winters und Frühlings mehr als 80 Prozent der Staubstürme 24 Stunden im Voraus vorhersagen konnten, und rund 70 Prozent Prozent, 48 Stunden im Voraus. Bei den meisten Vorfällen, die das System nicht vorhersagte, handelte es sich um Stürme, die sich schnell in einem begrenzten Gebiet entwickelten, was es schwierig macht, regionale Daten zu sammeln, die bei der Vorhersage helfen könnten.
„Das auf Daten aus Israel trainierte Netzwerk kann mit ein paar Anpassungen Staubstürme anderswo im Nahen Osten und sogar auf der ganzen Welt vorhersagen“, sagt Sarafian. „Darüber hinaus haben wir eine Architektur geschaffen, die dabei helfen könnte, andere seltene Ereignisse vorherzusagen, die mit meteorologischen Daten verknüpft sind, etwa extreme Regenfälle oder Sturzfluten.“
Rudich fügt hinzu: „Die bedeutendste Errungenschaft dieser Forschung, die wir bereits in unserer Folgestudie umsetzen, ist der Einsatz künstlicher Intelligenz, um eine große, reichhaltige Datensammlung zu scannen und die physikalischen Prinzipien und atmosphärischen Prozesse in einem zu untersuchen.“ eine Art und Weise, die uns bisher nicht möglich war.
Mehr Informationen:
Ron Sarafian et al., Deep Multi-Task Learning für Frühwarnungen vor Staubereignissen im Nahen Osten implementiert, npj Klima- und Atmosphärenwissenschaft (2023). DOI: 10.1038/s41612-023-00348-9