Eine von RIKEN-Forschern entwickelte Deep-Learning-Methode kann die zerstörerische Kraft von Taifun-induzierten Sturmfluten in Küstenregionen in einem Bruchteil der Zeit herkömmlicher Modelle genau vorhersagen. Es verspricht, den Küstenbewohnern wertvolle Zeit zu verschaffen, ohne die Genauigkeit zu beeinträchtigen.
Die starken Winde und sintflutartigen Regenfälle, die durch Taifune verursacht werden, können im Landesinneren zu Zerstörungen und zum Verlust von Menschenleben führen. Doch die Küstenregionen tragen die volle Wucht ihrer zerstörerischen Kraft durch ein Phänomen, das als Sturmfluten bezeichnet wird. Die Kombination aus starken Winden und niedrigem Druck führt dazu, dass der Meeresspiegel weit über sein normales Niveau ansteigt, was zur Überschwemmung tiefliegender Gebiete führt.
„Wenn die Ausbuchtung der Wasseroberfläche die Küste erreicht, kann es zu tsunamiähnlichen Überschwemmungen kommen, die sich jedoch über zwei oder drei Tage erstrecken“, erklärt Iyan Mulia vom RIKEN Prediction Science Laboratory.
Derzeit werden zwei Arten von Computermodellen zur Vorhersage von Wind- und Druckfeldern zur Simulation von Sturmfluten verwendet. Parametrische Modelle verwenden statistische Berechnungen, die aus früheren Beobachtungen ermittelt werden. Sie arbeiten schnell, können aber unter bestimmten Bedingungen unzuverlässig sein. Im Gegensatz dazu sind numerische Wettervorhersagemodelle (NWP), die die beteiligte Physik berücksichtigen, genauer, benötigen aber viel mehr Zeit und Rechenleistung für die Ausführung.
„Parametrische Modelle sind rechnerisch effizienter, aber weniger genau als NWP-Modelle“, sagt Mulia. „Unser Ziel ist es, ein Modell zu entwickeln, das genauso effizient wie parametrische Modelle, aber genauso genau wie NWP-Modelle ist.“
Jetzt haben Mulia und seine Mitarbeiter Deep Learning genutzt, um die Vorteile beider Modelle zu kombinieren. „Unser Deep-Learning-Modell kann mit deutlich weniger Rechenaufwand eine vergleichbare Genauigkeit wie NWP-Modelle erzielen“, sagt Mulia.
Ihr Modell nutzt Deep Learning, um die Ergebnisse eines parametrischen Modells innerhalb weniger Sekunden auf einem normalen Desktop-Computer in realistische Wind- und Druckfelder umzuwandeln. Daraus wird dann die Auswirkung auf das Meer berechnet. Das Team verwendete diesen Ansatz, da die Berechnung der atmosphärischen Bedingungen wesentlich anspruchsvoller ist als die Berechnung der Wasserbedingungen. Die Forschung wird in der Zeitschrift veröffentlicht Wissenschaftliche Berichte.
Sogar Mulia war überrascht, wie gut das Deep-Learning-Modell funktionierte. „Wir hätten nicht erwartet, dass das Deep-Learning-Modell angesichts der Komplexität der Taifunstrukturen eine so hohe Genauigkeit erreichen könnte“, sagt er. „Es erfasst beispielsweise deutlich den topografischen Einfluss auf den Wind, was mit standardmäßigen parametrischen Modellen nur schwer zu erreichen ist. Wir sind mit dem Ergebnis sehr zufrieden.“
Bevor die Methode in operativen Prognosesystemen eingesetzt werden kann, sind weitere Tests mit größeren Datensätzen erforderlich, stellt Mulia fest.
Das Team wendet den gleichen Ansatz nun auf andere Bereiche wie Umweltwissenschaften und -technik an.
Mehr Informationen:
Iyan E. Mulia et al., Ein neuartiger Deep-Learning-Ansatz für die Modellierung von Taifun-induzierten Sturmfluten durch effiziente Emulation von Wind- und Druckfeldern, Wissenschaftliche Berichte (2023). DOI: 10.1038/s41598-023-35093-9