Da kleine Änderungen der Atmosphären- und Oberflächenbedingungen große, schwer vorhersehbare Auswirkungen auf das zukünftige Wetter haben können, werden herkömmliche Wettervorhersagen nur etwa zehn Tage im Voraus veröffentlicht. Eine längere Vorlaufzeit könnte den Gemeinden helfen, sich besser auf die Zukunft vorzubereiten, insbesondere auf Extremereignisse wie den Rekord Juni 2021 Hitzewelle im pazifischen Nordwesten der USAbei dem die Stromleitungen der Eisenbahnen schmolzen, Ernten zerstört wurden und Hunderte von Todesfällen verursacht wurden.
Meteorologen verwenden üblicherweise adjungierte Modelle, um zu bestimmen, wie empfindlich eine Vorhersage auf Ungenauigkeiten der Anfangsbedingungen reagiert. Mithilfe dieser Modelle lässt sich ermitteln, wie sich beispielsweise kleine Änderungen der Temperatur oder des atmosphärischen Wasserdampfs auf die Genauigkeit der Vorhersagen für einige Tage später auswirken können.
Das Verständnis der Beziehung zwischen den Anfangsbedingungen und der Fehlermenge in der Prognose ermöglicht es Wissenschaftlern, Änderungen vorzunehmen, bis sie die Anfangsbedingungen gefunden haben, die die genaueste Prognose liefern.
Die Ausführung adjungierter Modelle erfordert jedoch erhebliche finanzielle und rechentechnische Ressourcen, und die Modelle können diese Empfindlichkeiten nur bis zu fünf Tage im Voraus messen. Die Forscher testeten, ob ein Deep-Learning-Ansatz eine einfachere und genauere Möglichkeit bieten könnte, die optimalen Anfangsbedingungen für eine 10-Tage-Prognose zu bestimmen.
Die Ergebnisse sind veröffentlicht im Tagebuch Geophysikalische Forschungsbriefe.
Die Forscher erstellten Prognosen für die Hitzewelle im pazifischen Nordwesten im Juni 2021 mithilfe von zwei verschiedenen Modellen: dem von Google DeepMind entwickelten GraphCast-Modell und dem von Huawei Cloud entwickelten Pangu-Weather-Modell.
Sie verglichen die Ergebnisse, um zu sehen, ob sich die Modelle ähnlich verhielten, und verglichen dann die Prognosen mit dem, was tatsächlich während der Hitzewelle passierte. (Um eine Beeinflussung der Ergebnisse zu vermeiden, wurden Daten aus der Hitzewelle nicht in den Datensatz einbezogen, der zum Training der Prognosemodelle verwendet wurde.)
Das Team stellte fest, dass die Verwendung der Deep-Learning-Methode zur Identifizierung optimaler Anfangsbedingungen zu einer Reduzierung der 10-Tage-Prognosefehler im GraphCast-Modell um etwa 94 % führte. Der Ansatz führte zu einer ähnlichen Fehlerreduzierung, wenn er mit dem Pangu-Weather-Modell verwendet wurde. Das Team stellte fest, dass der neue Ansatz die Prognose bis zu 23 Tage im Voraus verbesserte.
Weitere Informationen:
P. Trent Vonich et al., Vorhersagbarkeitsgrenze der Hitzewelle im pazifischen Nordwesten 2021 anhand der Deep-Learning-Sensitivitätsanalyse, Geophysikalische Forschungsbriefe (2024). DOI: 10.1029/2024GL110651
Diese Geschichte wurde mit freundlicher Genehmigung von Eos, gehostet von der American Geophysical Union, erneut veröffentlicht. Lesen Sie die Originalgeschichte Hier.