Laut einem Team von Wissenschaftlern könnte maschinelles Lernen, das menschliche Gesichter erkennen kann, auch dazu beitragen, Wettervorhersagen zu verbessern.
„Die Idee hinter dieser Arbeit stammt von Googles FaceNet, aber anstatt Ihr Bild mit Bildern von Gesichtern in einer Datenbank zu vergleichen, vergleichen wir das Wetter mit historischen Vorhersagen“, sagte Weiming Hu, Wissenschaftler für maschinelles Lernen an der University of San Diego und a ehemaliger Doktorand an der Penn State.
Die Wissenschaftler wandten einen Deep-Learning-Algorithmus auf die analoge Wettervorhersage an, der vergangene Wetterbedingungen nutzt, um zukünftige Vorhersagen zu treffen. Sie fanden heraus, dass die Analyse der Vorhersagen der Oberflächenwindgeschwindigkeit und der Sonneneinstrahlung in Pennsylvania von 2017 bis 2019 mithilfe von maschinellem Lernen die Genauigkeit der analogen Vorhersagen in dieser Fallstudie verbesserte.
„Sie möchten verstehen, wie viel Energie Sie für den kommenden Tag erwarten können“, sagte Hu, der seinen Doktortitel in Geographie an der Penn State erhielt. „Sie möchten das Risiko verstehen – egal, ob Sie zu viel oder zu wenig vorhersagen, es wird Nachteile wie Stromknappheit oder Überproduktion geben. Unsere Arbeit zeigt, dass wir die Genauigkeit dieser Wind- und Solarprognosen verbessern können.“
Analoge Vorhersagen sind eine Alternative zur numerischen Wettervorhersage (NWP), bei der mithilfe von Computermodellen simuliert wird, wie sich die anfänglichen Wetterbedingungen in den kommenden Tagen oder Wochen entwickeln werden. NWP hat in den letzten Jahrzehnten zu großen Fortschritten bei der Prognose geführt, es bestehen jedoch weiterhin Unsicherheiten.
Diese Unsicherheiten werden teilweise durch die Durchführung einer Reihe von Simulationen, sogenannte Ensembles, behoben, die eine Reihe möglicher zukünftiger atmosphärischer Zustände zeigen, aber auch rechenintensiv und teuer in der Herstellung sind, sagten die Wissenschaftler.
„Analoge Vorhersagen können jedoch Ensembles ohne teure, wiederholte Modellläufe generieren“, sagte Hu. „Es funktioniert durch die Suche nach historischen Vorhersagen, die der Zielvorhersage am ähnlichsten sind. Und dann bilden die vergangenen Beobachtungen, die mit den ähnlichsten vergangenen Vorhersagen verbunden sind, die Ensemblemitglieder.“
Die analogen Ensembles werden durch die Kombination einer deterministischen Vorhersage – einem hochdetaillierten Einzellauf eines NWP-Modells – mit früheren Wetterbeobachtungen – wie Temperatur, Druck und Luftfeuchtigkeit – aus früheren Vorhersagen, die der aktuellen ähneln, erstellt.
Die besten Analoga werden auf der Grundlage einer Ähnlichkeitsmetrik ausgewählt, die einzelne Wettervorhersageprädiktoren gewichtet. Dieser Prozess verwendet jedoch eine eingeschränkte umfassende Suche, die die Anzahl der verwendbaren Prädiktoren begrenzt und die Beziehungen zwischen Prädiktoren nicht berücksichtigt.
„Das war die Einschränkung für die Vorhersage analoger Ensembles“, sagte Hu. „Dieser Artikel versucht, dieses Problem anzugehen, indem er einen Ansatz des maschinellen Lernens einführt, um die Komplexität zwischen Prädiktoren zu erlernen.“
Die Technik des maschinellen Lernens erfasst alle Wettervariablen – wie Temperatur, Druck und Luftfeuchtigkeit – und wandelt sie in einen latenten Raum oder ein Clustermuster um, das bei der Auswahl der idealen Vorhersagen und Analoga hilfreich ist, sagten die Wissenschaftler.
„Dieser Ansatz versucht, die hilfreichsten Funktionen zu identifizieren, nach denen man suchen muss, um analoge Prognosen zu verbessern“, sagte Hu. „Einfach ausgedrückt werden die Kandidaten geclustert, wodurch Sie die genauesten Prognosen erhalten und weniger ähnliche Datenpunkte von weniger ähnlichen Prognosen verdrängen.“
Die Technik des maschinellen Lernens überwinde die Rechengrenzen, die durch die Optimierung der Prädiktorgewichte bei der traditionellen analogen Ensemble-Vorhersage entstehen, sagten die Wissenschaftler.
„Maschinelles Lernen wird seit vielen Jahren operativ eingesetzt, um die Genauigkeit von Vorhersagen zu beschleunigen oder zu verbessern, seine Rolle beschränkte sich jedoch hauptsächlich auf die Nachbearbeitung oder Datenaufbereitung“, sagte Guido Cervone, Professor für Geographie, Meteorologie und Atmosphärenwissenschaften an der Penn State University, Hu’s Berater und Co-Autor des Artikels. „Erst im letzten Jahr wurde maschinelles Lernen als zentraler Kern von Algorithmen eingesetzt und ersetzte oft sogar numerische Modelllösungen.“
Die Ergebnisse der Studie, veröffentlicht in der Zeitschrift Grenzschichtmeteorologiedeuten darauf hin, dass maschinelles Lernen die Verwendung von mehr Prädiktoren ermöglichen und Vorhersagen mit höherer Genauigkeit generieren wird.
„Unsere Arbeit zeigt, dass ein Modell des maschinellen Lernens zur Untersuchung komplexer Merkmale sogar im geowissenschaftlichen Bereich verwendet werden kann“, sagte Hu. „In den Geowissenschaften haben wir es mit Hunderten von Variablen zu tun. Bei dieser Suche hatten wir mehr als 300. Und meistens weisen sie viele Korrelationen auf. Wir zeigen, dass maschinelles Lernen tatsächlich alle diese Beziehungen aus diesem großen Datensatz erkennen kann.“
Mehr Informationen:
Weiming Hu et al, Machine Learning Weather Analogs for Near-Surface Variables, Grenzschichtmeteorologie (2023). DOI: 10.1007/s10546-022-00779-6