Modelle des maschinellen Lernens erobern den Bereich der Wettervorhersage, von der kurzen Frage „Wie lange wird dieser Regen anhalten“ über eine 10-Tage-Prognose bis hin zu Vorhersagen auf Jahrhundertebene. Die Technologie wird sowohl für Klimaforscher als auch für Apps und lokale Nachrichtensender immer wichtiger – und dennoch „versteht“ sie das Wetter nicht besser als Sie oder ich.
Jahrzehntelang wurden Meteorologie und Wettervorhersage größtenteils durch die Einbettung von Beobachtungen in sorgfältig abgestimmte physikalische Modelle und Gleichungen definiert. Das stimmt immer noch – es gibt keine Wissenschaft ohne Beobachtung –, aber die riesigen Datenarchive haben leistungsstarke KI-Modelle ermöglicht, die nahezu jeden gewünschten Zeitrahmen abdecken. Und Google will das Feld von nun an bis in alle Ewigkeit dominieren.
Am kurzen Ende des Spektrums befindet sich die Sofortprognose, die im Allgemeinen bei der Frage „Brauche ich einen Regenschirm?“ herangezogen wird. Dies wird bedient durch Die „Nowcasting“-Modelle von DeepMinddie Niederschlagskarten im Grunde wie eine Abfolge von Bildern betrachten – was sie auch sind – und versuchen vorherzusagen, wie sich die Formen in diesen Bildern entwickeln und verschieben werden.
Mit unzähligen Stunden Doppler-Radar, die es zu studieren gilt, kann das Modell eine ziemlich solide Vorstellung davon bekommen, was als nächstes passieren wird, selbst in ziemlich komplexen Situationen wie einer Kaltfront, die Schnee oder gefrierenden Regen mit sich bringt (wie chinesische Forscher gezeigt haben). Aufbauend auf der Arbeit von Google).
Dieses Modell ist ein Beispiel dafür, wie genau Wettervorhersagen sein können, wenn sie von einem System erstellt werden, das keine tatsächlichen Kenntnisse darüber hat, wie das Wetter geschieht. Meteorologen können Ihnen sagen, dass es Nebel, Hagel oder feuchte Hitze gibt, wenn dieses Klimaphänomen auf ein anderes trifft, denn das sagt ihnen die Physik. Das KI-Modell weiß nichts über Physik – da es rein datenbasiert ist, stellt es lediglich eine statistische Vermutung darüber an, was als nächstes kommt. So wie ChatGPT nicht wirklich „weiß“, wovon es spricht, „wissen“ auch die Wettermodelle nicht, was sie vorhersagen.
Bildnachweis: Google DeepMind
Es mag für diejenigen überraschend sein, die glauben, dass ein starker theoretischer Rahmen notwendig ist, um genaue Vorhersagen zu treffen, und tatsächlich haben Wissenschaftler immer noch Bedenken, blind ein System zu übernehmen, das nicht zwischen einem Regentropfen und einem Sonnenstrahl unterscheidet. Aber die Ergebnisse sind trotzdem beeindruckend und bei Fragen, bei denen nicht viel auf dem Spiel steht, wie „Wird es regnen, während ich zum Laden gehe?“ ist es mehr als gut genug.
Die Forscher von Google haben kürzlich auch ein neues, etwas längerfristiges Modell vorgestellt namens MetNet-3, der bis zu 24 Stunden in die Zukunft vorhersagt. Wie Sie sich vielleicht vorstellen können, werden dabei Daten aus einem größeren Gebiet, etwa von Wetterstationen im gesamten Landkreis oder Bundesstaat, eingebunden, und die Vorhersagen erfolgen in einem größeren Maßstab. Dies gilt für Dinge wie „Wird dieser Sturm über die Berge ziehen oder sich auflösen?“ und dergleichen. Für die Planung von Rettungsdiensten und den Einsatz anderer Ressourcen ist es wichtig zu wissen, ob Windgeschwindigkeiten oder Hitze morgen früh in gefährliches Gebiet vordringen werden.
Heute gibt es eine neue Entwicklung im „mittleren“ Maßstab, die 7-10 Tage in der Zukunft liegt. Google DeepMind-Forscher veröffentlichte in der Zeitschrift Science einen Artikel, der GraphCast beschreibtdas „Wetterbedingungen bis zu 10 Tage im Voraus genauer und viel schneller vorhersagt als das branchenweit anerkannte Wettersimulationssystem.“
Bildnachweis: Google DeepMind
GraphCast verkleinert nicht nur die Zeit, sondern auch die Größe und deckt den gesamten Planeten mit einer Auflösung von 0,25 Grad Längen-/Breitengrad oder etwa 28 x 28 Kilometern am Äquator ab. Das bedeutet, vorherzusagen, wie es an mehr als einer Million Punkten auf der Erde sein wird, und obwohl einige dieser Punkte natürlich von größerem Interesse sind als andere, geht es darum, ein globales System zu schaffen, das die wichtigsten Wettermuster genau vorhersagt nächste Woche oder so.
„Unser Ansatz sollte nicht als Ersatz für traditionelle Wettervorhersagemethoden betrachtet werden“, schreiben die Autoren, sondern „als Beweis dafür, dass MLWP in der Lage ist, die Herausforderungen realer Vorhersageprobleme zu meistern und das Potenzial hat, die derzeit besten Methoden zu ergänzen und zu verbessern.“ .“
Es sagt Ihnen nicht, ob es in Ihrer Nachbarschaft oder nur in der ganzen Stadt regnen wird, aber es ist sehr nützlich für größere Wetterereignisse wie schwere Stürme und andere gefährliche Anomalien. Diese treten in Systemen mit einer Breite von Tausenden von Kilometern auf, was bedeutet, dass GraphCast sie sehr detailliert simuliert und ihre Bewegungen und Qualitäten über Tage hinweg vorhersagen kann – und das alles unter Verwendung einer einzigen Google-Recheneinheit für weniger als eine Minute.
Bildnachweis: Google DeepMind
Das ist ein wichtiger Aspekt: Effizienz. „Numerische Wettervorhersagen“, die traditionellen physikbasierten Modelle, sind rechenintensiv. Natürlich können sie schneller vorhersagen, als das Wetter passiert, sonst wären sie wertlos – aber dafür braucht man einen Supercomputer, und selbst dann kann es eine Weile dauern, Vorhersagen mit geringfügigen Abweichungen zu treffen.
Angenommen, Sie sind sich nicht sicher, ob die Intensität eines atmosphärischen Flusses zunimmt oder abnimmt, bevor ein ankommender Wirbelsturm seinen Weg kreuzt. Möglicherweise möchten Sie einige Vorhersagen mit unterschiedlichen Anstiegsniveaus und einige mit unterschiedlichen Rückgängen sowie eine Prognose für gleichbleibende Werte treffen, damit Sie die Prognose parat haben, wenn eine dieser Eventualitäten eintritt. Auch dies kann von enormer Bedeutung sein, wenn es um Stürme, Überschwemmungen und Waldbrände geht. Wenn Sie einen Tag früher wissen, dass Sie ein Gebiet evakuieren müssen, kann dies Leben retten.
Diese Aufgaben können sehr schnell sehr komplex werden, wenn Sie viele verschiedene Variablen berücksichtigen, und manchmal müssen Sie das Modell Dutzende oder Hunderte Male ausführen, um ein wirkliches Gefühl dafür zu bekommen, wie sich die Dinge entwickeln werden. Wenn diese Vorhersagen auf einem Supercomputer-Cluster jeweils eine Stunde dauern, ist das ein Problem; Wenn es auf einem Desktop-Computer, von dem Sie Tausende haben, jeweils eine Minute beträgt, ist das überhaupt kein Problem – vielleicht denken Sie sogar darüber nach, mehr und feinere Variationen vorherzusagen!
Und das ist die Idee dahinter das ClimSim-Projekt bei AI2, das Allen Institute for Artificial Intelligence. Was wäre, wenn Sie nicht nur 10 verschiedene Optionen vorhersagen wollten, wie die nächste Woche aussehen könnte, sondern tausend Optionen, wie sich das nächste Jahrhundert entwickeln wird?
Diese Art der Klimawissenschaft ist für alle Arten der langfristigen Planung wichtig, aber da es eine enorme Menge an zu manipulierenden Variablen und Vorhersagen über Jahrzehnte gibt, kann man davon ausgehen, dass die erforderliche Rechenleistung ebenso enorm ist. Deshalb arbeitet das Team von AI2 mit Wissenschaftlern auf der ganzen Welt zusammen, um diese Vorhersagen durch maschinelles Lernen zu beschleunigen und zu verbessern und so die „Prognosen“ auf der Jahrhundertskala zu verbessern.
Bildnachweis: AI2
ClimSim-Modelle funktionieren ähnlich wie die oben besprochenen: Anstatt Zahlen in ein physikbasiertes, handabgestimmtes Modell einzufügen, betrachten sie alle Daten als ein miteinander verbundenes Vektorfeld. Wenn eine Zahl steigt und zuverlässig davon ausgeht, dass eine andere Zahl um die Hälfte steigt, eine dritte Zahl jedoch um ein Viertel sinkt, werden diese Beziehungen in das Gedächtnis des Modells für maschinelles Lernen eingebettet, auch wenn es nicht weiß, dass sie sich darauf beziehen (z. B.) atmosphärisches CO2, Oberflächentemperatur und Meeresbiomasse.
Der Projektleiter, mit dem ich gesprochen habe, sagte, dass die von ihnen erstellten Modelle beeindruckend genau seien und gleichzeitig um Größenordnungen kostengünstiger in der rechnerischen Ausführung seien. Aber er gab zu, dass die Wissenschaftler zwar aufgeschlossen bleiben, aber (was natürlich ist) von einem Standpunkt der Skepsis aus agieren. Der Code ist alles hier wenn Sie selbst einen Blick darauf werfen möchten.
Bei so langen Zeiträumen und einem so schnellen Klimawandel ist es schwierig, geeignete Grundlagen für langfristige Vorhersagen zu finden, doch diese Vorhersagen werden immer wertvoller. Und wie die GraphCast-Forscher betonten, ist dies kein Ersatz für andere Methoden, sondern eine Ergänzung. Zweifellos werden Klimaforscher jedes Werkzeug wollen, das sie bekommen können.