Datenassimilation ist die Kombination aktueller Beobachtungen mit einer kurzfristigen Vorhersage, um eine bestmögliche Schätzung des aktuellen Zustands des Erdsystems zu erhalten. Maschinelles Lernen kann dazu beitragen, indem es den Einsatz von Satellitenbeobachtungen optimiert.
Für die Wettervorhersage ist die bestmögliche Einschätzung des aktuellen Zustands des Erdsystems, die sogenannte Analyse, von großer Bedeutung. Denn die Analyse dient als Ausgangsbedingung für Prognosen.
Um die neuesten Beobachtungen zu nutzen, stützen wir uns auf ein umfangreiches Instrumentensystem, das regelmäßig Aspekte der Atmosphäre und anderer Komponenten des Erdsystems misst. Satellitenbeobachtungen haben in den letzten Jahrzehnten zunehmend an Bedeutung gewonnen.
Sie beobachten häufig die Atmosphäre und die Oberfläche auf der ganzen Welt. Allerdings war ihr Einsatz über Land und Meereis bisher aufgrund der Schwierigkeiten bei der korrekten Interpretation dieser Beobachtungen begrenzt.
„Maschinelles Lernen ermöglicht eine gute Interpretation beispielsweise von Satellitenbeobachtungen über Meereis“, sagt ECMWF-Wissenschaftler Alan Geer.
Drei Vorteile
Die vollständige Nutzung der in Satellitenbeobachtungen enthaltenen Informationen unabhängig von der Bewölkung und über verschiedene Oberflächen hinweg wird als „All-Sky-All-Surface-Assimilation“ bezeichnet.
Eine vollflächige Assimilation kann drei Vorteile mit sich bringen:
Hier werfen wir einen genaueren Blick auf das Beispiel Meereis: Wie können wir Satellitenbeobachtungen über Meereis interpretieren, um uns ein möglichst vollständiges Bild über den Zustand des Erdsystems zu einem bestimmten Zeitpunkt zu machen?
Der aktuelle Stand der Dinge
Beobachtungen der Mikrowellenstrahlung von Satelliten werden bereits in der Meereisanalyse des ECMWF verwendet. Sie werden jedoch auf einem langsamen, umständlichen und suboptimalen Weg in die Atmosphärenanalyse eingeführt.
Die Ermittlung der Meereiskonzentration erfolgt zunächst durch externe Datenanbieter. Anschließend fließen sie in eine tägliche Analyse beim UK Met Office ein. Anschließend wird die tägliche Analyse in das OCEAN5-Reanalyse-/Analysesystem des ECMWF für Ozean und Meereis integriert. Alle beobachteten Veränderungen im Meereis erreichen schließlich mit einer Gesamtverzögerung von etwa 48 bis 72 Stunden die Aufnahme der Atmosphärendaten.
„Die Verzögerung kann beseitigt werden, wenn wir unsere hauseigenen Datenassimilationstools verwenden können, um die Meereiskonzentration direkt aus den beobachteten Satellitenstrahlungen abzuleiten“, sagt Alan.
Wie maschinelles Lernen ins Spiel kommt
Ein typischer maschineller Lernansatz würde versuchen, das Vorhandensein von Meereis anhand bekannter Eingaben und Ausgaben zu ermitteln.
Für das Meereis-Beobachtungsproblem kennen wir die Ergebnisse: Dies sind die Satellitenstrahlungsbeobachtungen. Die Eingaben, einschließlich der mikrostrukturellen Details von Eis und Schnee, die die Beobachtungen beeinflussen, sind jedoch grundsätzlich unbekannt.
„Um dieses Problem zu lösen, wurden die Mikrowellenstrahlungsbeobachtungen eines Jahres mit atmosphärischen Profilen aus Kurzstreckenvorhersagen des ECMWF gepaart“, sagt Alan. „Maschinelle Lernwerkzeuge wurden verwendet, um den Zustand des Meereises zu lernen und gleichzeitig ein empirisches Modell zur Darstellung des Strahlungstransfers an der Oberfläche zu erstellen. Die Möglichkeit, diese gemeinsam zu lernen, war der Schlüssel zu diesem Projekt und erforderte einen neuen Ansatz für das maschinelle Lernen.“
Bessere Analysen
Die Abbildung zeigt die resultierende Meereiskonzentrationsanalyse im Vergleich zur OCEAN5-Meereiskonzentration für den 7. November 2020:
Die OCEAN5-Meereisanalyse ist für den gleichen Zeitraum gültig, stellt jedoch die sibirische Seite des Arktischen Ozeans als offenes Wasser dar, da die beobachteten Veränderungen im Meereis verzögert in die Analyse eingehen. Der neue Ansatz zeigt hingegen, dass diese Gebiete bereits größtenteils zugefroren sind.
Ein Beispiel für die Qualität der neuen Meereiskonzentrationsanalyse ist auch in der folgenden Abbildung dargestellt.
Die neue Meereisanalyse zeigt ein Signal für den riesigen A-68A-Eisberg nahe der Südseeinsel Südgeorgien, wohingegen der Eisberg in der OCEAN5-Analyse fehlt.
Bessere atmosphärische Vorhersagen
Die Hinzufügung von Mikrowellenbeobachtungen in Meereisgebieten verbessert die Temperaturvorhersagen im Südpolarmeer bis etwa zum vierten Tag, von der Oberfläche bis zur mittleren Troposphäre.
Die Auswirkungen auf die Arktisprognose sind gering, wahrscheinlich weil die ganzjährige Verfügbarkeit von In-situ-Messungen dazu beiträgt, etwaige Lücken in den Satellitendaten zu schließen.
Die hier beschriebene Meereis-Assimilation soll im Jahr 2024 mit Zyklus 49r1 des Integrierten Prognosesystems (IFS) des ECMWF einsatzbereit sein.
Bereitgestellt vom Europäischen Zentrum für mittelfristige Wettervorhersage (ECMWF)