Tiefes generatives Netzwerk
Die Vorhersage von extremen Niederschlägen ist bekanntermaßen schwierig. Mit der Verschärfung des Klimawandels wird diese Aufgabe noch wichtiger. Globale numerische Wettervorhersagemodelle haben eine begrenzte Auflösung und können Extreme nicht erfassen. Regionale, hochauflösende Modelle sind teuer in der Erstellung und Wartung. Glücklicherweise gibt es eine Möglichkeit, globale Ensemble-Vorhersagen mit Hilfe von tiefen generativen Netzen genau zu skalieren.
Diese Netze können aus vergangenen Niederschlagsbeobachtungen lernen. Sie können so trainiert werden, dass sie Vorhersagen über den in den nächsten zwei Stunden zu erwartenden Niederschlag machen. Dieser Ansatz eignet sich am besten für die Vorhersage von kurzfristigen Wettermustern. Die Genauigkeit dieser Vorhersagen kann bis zu 150 km betragen. Dies ist weitaus besser als die derzeitigen Vorhersagemethoden.
Eine weitere Herausforderung bei der Verwendung von DLs für die Wettervorhersage ist die Berücksichtigung von Daten mit mehreren Skalen. Die meisten aktuellen Vorhersageanwendungen konzentrieren sich auf kurzfristige Zeitskalen, wie einige Stunden oder Tage, und ignorieren langfristige kontinuierliche Trends. Die Verwendung langfristiger Datenreihen erfordert eine große Anzahl von Trainingsstichproben. Es ist auch wichtig, eine geeignete Datenaufteilung zu schaffen, um das Netz auf möglichst vielen Teilen der Verteilung zu trainieren.
Obwohl die numerische Wettervorhersage seit den 1960er Jahren Fortschritte gemacht hat, leidet das Feld unter einem Mangel an Konsistenz und Zuverlässigkeit. Mit Hilfe des maschinellen Lernens sind die numerischen Modelle heute genauer als je zuvor. Durch das Training neuronaler Netze mit Daten aus der Vergangenheit können sie künftiges Wetter besser vorhersagen. Sie können auch die Vorhersage von Niederschlägen verbessern, indem sie lernen, diese mit Frontalzonen und instabilen Luftmassen in Verbindung zu bringen. Sie können auch Merkmale der Atmosphäre einbeziehen, die die vertikale Schichtung erfassen.
In einer aktuellen Studie wurde das Konzept der BDL im Zusammenhang mit der Wettervorhersage untersucht. Liu und Kollegen entwickelten ein probabilistisches Modell zur Vorhersage der Windgeschwindigkeit und nutzten variationale Bayes’sche Inferenz. In einer anderen Studie entwickelten Vandal et al. ein Modell, das BDL verwendet, um die Unsicherheit in unbekannten Modellparametern und Beobachtungsdaten zu erfassen. Außerdem verwendeten sie statistisches Downscaling zur Vorhersage von Niederschlägen.
DeepMinds DGMR
Forscher haben gezeigt, dass die Leistung von DeepMinds DGMR bei der Wettervorhersage genauso gut ist wie die von menschlichen Spitzenmeteorologen. Sie trainierten das Modell mit echten Radarmessungen, die in vielen Ländern öffentlich zugänglich sind. Dann übertrugen sie diese Daten auf das generativ-adversarische Netzwerk, das lernt, neue Datenproben zu erzeugen, die den realen Messungen ähneln. Dieses neue Modell kann nun verwendet werden, um bestehende Wettervorhersagesysteme zu verbessern.
In einem Test baten sie 56 Nicht-Forscher, die Ergebnisse von DGMR und konkurrierenden Tools zu vergleichen. Sie fanden heraus, dass der generative Ansatz die in anderen Studien verwendeten Advektions- und Physiksimulationen deutlich übertraf. Die generativen Techniken zeigten auch, dass sie viel präzisere Vorhersagen machen konnten als andere Deep-Learning-Systeme. Sie interessierten sich besonders für mittlere bis schwere Regenereignisse, da diese in der Regel Auswirkungen auf Menschen und Wirtschaft haben.
Die KI von DeepMind wurde mit Radardaten trainiert, die alle fünf Minuten aktualisiert werden. Die Forscher sammelten auch historische Daten über Wetter und Klima, um ihr Modell zu erstellen. Anhand dieser Daten lernte der Algorithmus, Regenmuster innerhalb von zwei Stunden vorherzusagen. Diese Daten wurden dann von 58 Meteorologen getestet und für 89 % genau befunden.
Das in London ansässige Unternehmen DeepMind hat mehrere viel beachtete Projekte mit neuronalen Netzen durchgeführt. In der Vergangenheit hat es neuronale Netze für Go trainiert und die Struktur von Proteinen untersucht. Jetzt versucht DeepMind, seine Deep-Learning-Methoden auf die Wettervorhersage anzuwenden. Das Unternehmen hat kürzlich einen Artikel in Nature veröffentlicht, in dem es sein neues Vorhersageinstrument, das Deep Generative Model of Rainfall, beschreibt. DGMR ist ein auf künstlicher Intelligenz basierendes Wettervorhersagemodell, das bestehende Systeme angeblich übertrifft. Den Forschern zufolge liefert es hochpräzise Vorhersagen, die genau vorhersagen, wo Regen fallen wird.
DeepMind arbeitet schon seit Jahren im Stillen mit dem Met Office zusammen und nutzt maschinelles Lernen zur Wettervorhersage. Das DGMR wurde anhand historischer Radarbeobachtungen des Vereinigten Königreichs trainiert. Vor kurzem wurde nachgewiesen, dass seine Leistung bemerkenswert genau ist und Vorhersagen in weniger als einer Sekunde gemacht werden können.
DeepMinds DLWP
DeepMind hat im Stillen mit dem Met Office an einem neuen maschinellen Lernalgorithmus gearbeitet. Dieser kann nun die Regenwahrscheinlichkeit innerhalb weniger Stunden vorhersagen. Im Gegensatz zu früheren Wettervorhersagemodellen, die stundenlange Daten benötigen, ist der DeepMind-Algorithmus in der Lage, Regen innerhalb weniger Stunden vorherzusagen.
Das Team trainierte den maschinellen Lernalgorithmus anhand von 32 DLWP-Modellen. Jedes Modell wurde in acht Trainingszyklen trainiert. Die vier Mitglieder des Ensembles wurden an Kontrollpunkten während jedes Zyklus auf der Grundlage ihrer T850 ACC-Fähigkeiten ausgewählt. Die Vorhersagen dieser Modelle wurden dann auf einen Validierungsdatensatz angewendet, um ihre Qualität zu bewerten. Alle Modelle, die Unregelmäßigkeiten aufwiesen, wurden dann mit einem SGD-Optimierer verfeinert.
Das DeepMind-Team trainierte die KI, um Wettermuster auf der Grundlage von Radardaten zu verstehen. Die Radarmessungen werden in Großbritannien alle fünf Minuten aktualisiert. Durch die Kombination dieser Daten war der Algorithmus in der Lage, ein aktuelles Stop-Motion-Video zu erstellen, das Regenmuster zeigt, die sich über das Land bewegen. Das System konnte die Niederschläge in 89 % der Fälle genau vorhersagen. Das Team hofft, mit diesem Algorithmus die Wettervorhersagen weltweit verbessern zu können.
Der DLWP-Algorithmus von DeepMind ist ein rechnergestütztes Modell für die Wettervorhersage. Er läuft auf einem cuDNN-beschleunigten TensorFlow Deep Learning Framework und einem NVIDIA V100 Grafikprozessor. Derzeit kann der DLWP-Algorithmus Ensemble-Prognosen von sechs Wochen in drei Minuten berechnen. Dadurch kann er realistische Vorhersagen für große Wetterereignisse, wie z. B. Hurrikane, erstellen. Darüber hinaus kann er mit der Genauigkeit der derzeit modernsten Wettervorhersagegeräte mithalten. Bei Vorhersagen mit kürzerer Vorlaufzeit ist es jedoch weniger genau.
Das ECMWF- und das DLWP-Ensemble können ähnliche Ergebnisse erzielen. Das DLWP-Ensemble schneidet jedoch bei längeren Vorlaufzeiten besser ab als das ECMWF-Ensemble. Beide Ensembles weisen ähnliche Muster von Regionen mit geringer und hoher Kompetenz auf.
Numerische Wettermodelle auf dem neuesten Stand der Technik
Es gibt mehrere Arten von numerischen Wettermodellen. Einige sind sehr genau bei der Vorhersage großer Wettersysteme, während andere alles andere als perfekt sind. Diese Modelle analysieren eine riesige Datenbank mit Wetterdaten, die von Wettersatelliten, Signalverstärkern, Radiosonden und anderen Quellen gesammelt werden. Viele dieser Modelle verwenden künstliche Intelligenz (AI), und eines der bekanntesten ist das Faltungsneuronale Netz. Das Modell nimmt Satellitenbilder als Eingabe auf und wandelt sie dann in ein Bild um, das an Menschen gesendet werden kann.
Diese Modelle eignen sich auch für die Vorhersage extremer Wetterereignisse wie großer Hagelstürme und starker Winde im Zusammenhang mit Gewittern. Diese Vorhersagen können den Meteorologen des Nationalen Wetterdienstes helfen, die Wahrscheinlichkeit gefährlicher Wetterereignisse für ihre Regionen besser vorherzusagen. Die Forscher binden auch maschinelles Lernen in numerische Wettervorhersagemodelle ein, um diese rechenintensiven Aufgaben zu beschleunigen. So kann beispielsweise die Vorhersage, wie sich Wasserdampf in Niederschlag umwandelt, sehr lange dauern. Diese neue Methode kann dazu beitragen, dass moderne Wettervorhersagen viel genauer und zuverlässiger werden.
Numerische Wettermodelle sind eine der effektivsten Methoden zur Vorhersage von Wetterereignissen. Sie sind jedoch zeit- und ressourcenaufwändig. Außerdem können sie keine Vorhersagen über bestimmte Orte oder langfristige Wettermuster machen. Daher haben sich zeitreihenbasierte Modelle zu einer zunehmend brauchbaren Alternative entwickelt.
Diese Modelle beruhen auf jahrzehntelang gesammelten Wetterdaten aus der ganzen Welt. Durch die Kombination dieser Daten mit einem einfachen Modell der künstlichen Intelligenz können Forscher das Wetter auf der ganzen Welt schneller simulieren als mit herkömmlichen Vorhersagen. Diese Systeme verbrauchen auch weniger Rechenleistung als herkömmliche Vorhersagen.
Die Zukunft der künstlichen Intelligenz in der Wettervorhersage
Jüngste Forschungen haben gezeigt, dass die künstliche Intelligenz zu einem leistungsfähigen Werkzeug für die Wettervorhersage wird. Mit einem Deep-Learning-Algorithmus können Meteorologen das Wetter bis zu zwei Tage im Voraus vorhersagen. Diese Technologie ist viel genauer als die herkömmlichen Wettervorhersagemodelle, die in der Regel komplexe Gleichungen verwenden und nur die nächsten sechs bis acht Tage vorhersagen.
Die Wettervorhersage wird von den leistungsfähigsten Computern der Welt durchgeführt, die Millionen von Gleichungen lösen, um das zukünftige Wetter vorherzusagen. Die Genauigkeit dieser Vorhersagen ist entscheidend, und diese Maschinen müssen schnell und genau sein. In Zukunft könnte die Wettervorhersage jedoch einen anderen Ansatz verfolgen. Forscher der University of Washington und Microsoft Research haben untersucht, wie künstliche Intelligenz vergangene Wettermuster analysieren und zukünftige Ereignisse genauer vorhersagen kann.
Die Technologie hat bereits positive Ergebnisse bei der Bekämpfung von Waldbränden gezeigt. Mithilfe von Satelliten, die die Waldfeuchtigkeit messen, kann die künstliche Intelligenz vorhersagen, wann Waldbrände ausbrechen werden. Diese Technologie vergleicht die gemessenen Daten mit einer “Dürrekarte”, die eine 70-prozentige Trefferquote aufweist. Dieser Ansatz hat das Potenzial, die Wettervorhersage zu revolutionieren und Leben zu retten.
Die Forschung im Bereich der künstlichen Intelligenz für die Wettervorhersage schreitet rasch voran. In Zukunft wird künstliche Intelligenz in der Lage sein, Wetterextreme zwei bis sechs Wochen im Voraus vorherzusagen. Dadurch haben die Gemeinden mehr Zeit, sich vorzubereiten. Dies ist von entscheidender Bedeutung, da der Klimawandel die Häufigkeit und Intensität von Wetterextremen erhöht. Klimabedingte Extreme werden im Jahr 2021 weltweit Rekorde brechen.
Modelle des maschinellen Lernens werden in Zukunft die numerischen Wettervorhersagemodelle ersetzen. Diese KI-Modelle studieren Tausende von Wetterkarten, um zu lernen, wie sich Wettersysteme verhalten, und treffen Vorhersagen auf der Grundlage früherer Daten. Diese Technologie wird die Wettervorhersagen genauer machen als je zuvor und könnte sogar die Vorhersage von bisher ungeahnten Wetterphänomenen ermöglichen.
Ähnliche Themen
