Ein besserer Schutz von Mensch und Umwelt erfordert präzise Vorhersagen von extremen Wetterphänomenen wie Winterstürmen. Forscher des Karlsruher Instituts für Technologie (KIT) haben nun Methoden der Statistik und des maschinellen Lernens für Vorhersagen von Windböen verglichen, um die Vorhersagen genauer und zuverlässiger zu machen. Sie fanden heraus, dass die Berücksichtigung geografischer Informationen und zusätzlicher meteorologischer Variablen wie der Temperatur die Prognosequalität deutlich verbessert, insbesondere beim Einsatz moderner KI-Methoden auf Basis neuronaler Netze.
Starke Windböen, wie zum Beispiel Sturmböen mit einer Geschwindigkeit von mehr als 65 Kilometern pro Stunde, können schwere Schäden anrichten und für Menschen, Tiere und Infrastruktureinrichtungen gefährlich werden. Um wirkungsvoll warnen zu können, bedarf es frühzeitiger und verlässlicher Prognosen. „Windböen sind schwer zu modellieren, da sie von kleinräumigen Prozessen angetrieben werden und lokal begrenzt sind“, sagt Benedikt Schulz, Doktorand am Institut für Stochastik des KIT. „Ihre Vorhersagbarkeit mit den von Wetterdiensten verwendeten numerischen Wettervorhersagemodellen ist begrenzt und mit Unsicherheiten behaftet.“
Um solche Vorhersageunsicherheiten besser einschätzen zu können, erstellen Meteorologen Ensemble-Vorhersagen. Ausgehend vom aktuellen Zustand der Atmosphäre führen sie parallel mehrere Modellrechnungen für leicht unterschiedliche Bedingungen durch. Auf diese Weise werden verschiedene zukünftige Wetterentwicklungsszenarien abgedeckt. „Trotz kontinuierlicher Verbesserungen weisen solche Ensemble-Wettervorhersagen jedoch immer noch systematische Fehler auf, da lokal zeitlich variierende Bedingungen von den Modellen nicht berücksichtigt werden können“, erklärt Schulz. „Mit Hilfe von künstlicher Intelligenz wollen wir diese systematischen Fehler korrigieren, die Vorhersagen verbessern und gefährliche Wetterphänomene zuverlässiger vorhersagen.“
Geografische Informationen und zusätzliche meteorologische Variablen verbessern die Vorhersage von Windböen
Gemeinsam mit Dr. Sebastian Lerch verglich Schulz erstmals verschiedene Statistiken und KI-Methoden zur Nachbearbeitung von Ensemble-Vorhersagen von Windböen. „Wir haben sowohl bestehende als auch neue Methoden zur statistischen Nachbearbeitung numerischer Wettervorhersagen analysiert und ihre Vorhersagequalitäten systematisch verglichen“, sagt Lerch. Er leitet die von der Vector Foundation geförderte Nachwuchsforschergruppe „KI-Methoden für probabilistische Wettervorhersagen“ am Institut für Wirtschaftspolitikforschung des KIT.
Es wurde festgestellt, dass alle Nachbearbeitungsmethoden zuverlässige Vorhersagen über die Geschwindigkeit von Windböen liefern. „Allerdings sind KI-Methoden den klassischen statistischen Ansätzen weit überlegen und liefern weitaus bessere Ergebnisse, da sie eine bessere Berücksichtigung neuer Informationsquellen wie geografischer Gegebenheiten oder anderer meteorologischer Größen wie Temperatur und Sonneneinstrahlung ermöglichen“, fasst Lerch zusammen. „KI-Methoden reduzieren die Prognosefehler von Wettermodellen um durchschnittlich etwa 36 Prozent“, ergänzt Schulz. Die Forscher analysierten die mit dem Wettermodell des Deutschen Wetterdienstes (DWD) erstellten Vorhersagen an 175 Beobachtungsstationen in Deutschland und stellten fest, dass KI-Methoden an mehr als 92 Prozent der Stationen bessere Vorhersagen lieferten. Neuronale Netze können aus den verfügbaren großen Datensätzen komplexe und nichtlineare Zusammenhänge lernen. Dies spielt eine zentrale Rolle bei der Korrektur systematischer Fehler von Ensemble-Prognosen. „Die Analyse, welche Informationen für die Methoden besonders relevant sind, lässt auch Rückschlüsse auf meteorologische Prozesse zu“, sagt Schulz.
Mit ihrer Arbeit tragen die Forschenden zur Entwicklung von Wettervorhersageverfahren an der Schnittstelle von Statistik und KI bei. „Wetterdienste könnten diese Methoden nutzen, um ihre Vorhersagen zu verbessern“, sagt Lerch. „Dazu stehen wir in engem Kontakt mit den deutschen und anderen internationalen Wetterdiensten.“
Benedikt Schulz et al, Machine Learning Methods for Postprocessing Ensemble Forecasts of Wind Gusts: A Systematic Comparison, Monatlicher Wetterbericht (2021). DOI: 10.1175/MWR-D-21-0150.1