Das Modell des maschinellen Lernens hilft Prognostikern, das Vertrauen in die Sturmvorhersage zu verbessern

Wenn sich Unwetter zusammenbrauen und lebensbedrohliche Gefahren wie Starkregen, Hagel oder Tornados möglich sind, sind Vorwarnung und genaue Vorhersagen von größter Bedeutung. Wetterforscher der Colorado State University haben Sturmprognostikern ein leistungsstarkes neues Werkzeug an die Hand gegeben, um das Vertrauen in ihre Vorhersagen zu verbessern und möglicherweise Leben zu retten.

In den letzten Jahren hat Russ Schumacher, Professor am Department of Atmospheric Science und Klimatologe des Bundesstaates Colorado, ein Team geleitet, das ein ausgeklügeltes maschinelles Lernmodell entwickelt hat, um die geschickte Vorhersage von gefährlichem Wetter in den kontinentalen Vereinigten Staaten voranzutreiben. Das Modell wurde zunächst anhand historischer Aufzeichnungen über übermäßige Regenfälle trainiert und ist jetzt intelligent genug, um genaue Vorhersagen von Ereignissen wie Tornados und Hagel vier bis acht Tage im Voraus zu treffen – der entscheidende Sweet Spot für Prognostiker, um Informationen an die Öffentlichkeit zu bringen, damit sie sich vorbereiten können. Das Modell heißt CSU-MLP oder Colorado State University-Machine Learning Probabilities.

Unter der Leitung des Forschungswissenschaftlers Aaron Hill, der in den letzten mehr als zwei Jahren an der Verfeinerung des Modells gearbeitet hat, veröffentlichte das Team kürzlich seine Vorhersagefähigkeit für mittlere Reichweiten (vier bis acht Tage) in der Zeitschrift American Meteorological Society Wetter und Vorhersage.

Zusammenarbeit mit Prognostikern des Storm Prediction Center

Die Forscher haben sich nun mit Prognostikern des nationalen Sturmvorhersagezentrums in Norman, Oklahoma, zusammengetan, um das Modell zu testen und es auf der Grundlage praktischer Überlegungen tatsächlicher Wettervorhersager zu verfeinern. Das Tool ist kein Ersatz für die unschätzbaren Fähigkeiten menschlicher Prognostiker, sondern bietet vielmehr eine agnostische, vertrauensfördernde Maßnahme, um Prognostikern bei der Entscheidung zu helfen, ob sie öffentliche Warnungen vor potenziellem Wetter herausgeben sollen.

„Unsere statistischen Modelle können Betriebsprognosen als Orientierungsprodukt dienen, nicht als Ersatz“, sagte Hill.

Israel Jirak ist Wissenschafts- und Operationsoffizier am Storm Prediction Center und Mitautor des Papiers. Er nannte die Zusammenarbeit mit dem CSU-Team „ein sehr erfolgreiches Research-to-Operations-Projekt“.

„Sie haben eine probabilistische, auf maschinellem Lernen basierende Unwetterführung entwickelt, die statistisch zuverlässig und geschickt ist und gleichzeitig für Prognostiker praktisch nützlich ist“, sagte Jirak. Die Prognostiker in Oklahoma verwenden das CSU Guidance-Produkt täglich, insbesondere wenn sie mittelfristige Unwetterprognosen abgeben müssen.

Neun Jahre historische Wetterdaten

Das Modell wird auf einem sehr großen Datensatz trainiert, der etwa neun Jahre detaillierter historischer Wetterbeobachtungen über den kontinentalen USA enthält. Diese Daten werden mit meteorologischen retrospektiven Vorhersagen kombiniert, bei denen es sich um modellhafte „Neuvorhersagen“ handelt, die aus Ergebnissen vergangener Wetterereignisse erstellt wurden. Aus diesen Modellprognosen zogen die CSU-Forscher die Umweltfaktoren heraus und verknüpften sie mit vergangenen Unwetterereignissen wie Tornados und Hagel. Das Ergebnis ist ein Modell, das in Echtzeit mit aktuellen Wetterereignissen ausgeführt werden kann und eine Wahrscheinlichkeit für diese Arten von Gefahren mit einer Vorlaufzeit von vier bis acht Tagen basierend auf aktuellen Umweltfaktoren wie Temperatur und Wind erzeugt.

Ph.D. Die Studentin Allie Mazurek arbeitet an dem Projekt und versucht zu verstehen, welche atmosphärischen Dateneingaben für die Vorhersagefähigkeiten des Modells am wichtigsten sind. „Wenn wir besser zerlegen können, wie das Modell seine Vorhersagen trifft, können wir hoffentlich besser diagnostizieren, warum die Vorhersagen des Modells während bestimmter Wettersituationen gut oder schlecht sind“, sagte sie.

Hill und Mazurek arbeiten daran, das Modell nicht nur genauer, sondern auch verständlicher und transparenter für die Prognostiker zu machen, die es verwenden.

Für Hill ist es sehr erfreulich zu wissen, dass die jahrelange Arbeit an der Verfeinerung des maschinellen Lernwerkzeugs jetzt in einem öffentlichen, betrieblichen Umfeld einen Unterschied macht.

„Ich liebe Grundlagenforschung. Ich liebe es, neue Dinge über unsere Atmosphäre zu verstehen. Aber ein System zu haben, das verbesserte Warnungen und verbesserte Meldungen rund um die Bedrohung durch Unwetter liefert, ist äußerst lohnend“, sagte Hill.