Künstliche Intelligenz (KI) revolutioniert die Wettervorhersage. Das KI-Modell GenCast von DeepMind liefert präzisere 15-Tage-Vorhersagen in Minuten, im Gegensatz zu stundenlangen Berechnungen herkömmlicher Modelle und übertrifft bestehende Systeme in der Genauigkeit, besonders bei Extremwetterereignissen. Obwohl KI traditionelle Methoden nicht vollständig ersetzen wird, ermöglicht ein hybrider Ansatz deutlich verbesserte Vorhersagen und eine bessere Vorbereitung auf extreme Wetterlagen.
Wettervorhersagen sind unverzichtbar für unseren Alltag und gewinnen angesichts des Klimawandels und zunehmender Extremwetterereignisse weiter an Bedeutung. Künstliche Intelligenz (KI) revolutioniert die Meteorologie und ermöglicht schnellere und genauere Prognosen als jemals zuvor. DeepMind, eine Tochtergesellschaft von Google, berichtet, dass ihr neues KI-Modell GenCast die Genauigkeit bestehender Vorhersagesysteme übertrifft. Laut DeepMind (https://deepmind.google/discover/blog/gencast-predicts-weather-and-the-risks-of-extreme-conditions-with-sota-accuracy/) liefert GenCast Vorhersagen für bis zu 15 Tage im Voraus und benötigt dafür lediglich Minuten an Rechenzeit, im Gegensatz zu den stundenlangen Berechnungen herkömmlicher Modelle.
Herkömmliche Wettervorhersagen basieren auf komplexen physikalischen Simulationen, die auf Supercomputern ausgeführt werden. Diese Simulationen lösen unzählige Gleichungen, um die Entwicklung der Atmosphäre zu modellieren. GenCast hingegen verfolgt einen datengetriebenen Ansatz und wurde, wie New Scientist berichtet (https://www.newscientist.com/article/2458465-deepmind-ai-predicts-weather-more-accurately-than-existing-forecasts/), mit historischen Wetterdaten aus vier Jahrzehnten trainiert. Das Modell lernt aus den Daten die komplexen Beziehungen zwischen Wettervariablen wie Temperatur, Luftdruck, Windgeschwindigkeit und Luftfeuchtigkeit und kann so zukünftige Wetterentwicklungen präzise prognostizieren.
Im Vergleich zum Ensemble-Modell (ENS) des Europäischen Zentrums für mittelfristige Wettervorhersage (EZMW), einem der führenden Systeme weltweit, schnitt GenCast laut Nature (https://www.nature.com/articles/d41586-024-03957-3) in über 97 % der Fälle genauer ab. Insbesondere bei der Vorhersage von Extremwetterereignissen wie Wirbelstürmen und Hitzewellen zeigte GenCast eine deutlich höhere Treffsicherheit. Wie The Next Web berichtet (https://thenextweb.com/news/google-deepminds-new-ai-weather-forecaster-gencast), generiert GenCast über 50 verschiedene Vorhersagen, die jeweils ein mögliches Wetterszenario darstellen. Diese Informationen sind besonders nützlich für Behörden und Organisationen, um sich auf Extremwetterereignisse vorzubereiten.
Die Geschwindigkeit von GenCast ist ein weiterer entscheidender Vorteil. Während herkömmliche Modelle Stunden auf Supercomputern benötigen, kann GenCast laut DeepMind eine 15-Tage-Vorhersage in nur acht Minuten auf einem einzelnen Google Cloud TPU, einem speziell für maschinelles Lernen entwickelten Chip, erstellen. Dies liegt daran, dass das KI-Modell die Daten bereits "gelernt" hat und nicht jedes Mal komplexe Berechnungen erneut durchführen muss.
Trotz der beeindruckenden Leistung von GenCast wird KI herkömmliche Wettervorhersagen voraussichtlich nicht vollständig ersetzen. Wie Steven Ramsdale, Chefmeteorologe des Met Office, gegenüber der Financial Times erklärte, liegt der größte Nutzen in einem hybriden Ansatz, der menschliche Expertise, traditionelle physikalische Modelle und KI-basierte Wettervorhersagen kombiniert. KI-Modelle wie GenCast sind weiterhin auf Daten von traditionellen Wettersystemen angewiesen, um ihre Vorhersagen zu trainieren und zu kalibrieren. KI bietet jedoch das Potenzial, die Genauigkeit und Geschwindigkeit von Wettervorhersagen deutlich zu verbessern und so zu einer besseren Vorbereitung auf Extremwetterereignisse beizutragen. Wie ein Interview mit dem Klimawissenschaftler Peter Johnston von der Universität Kapstadt zeigt (https://www.primediaplus.com/2024/12/06/meet-gencast-ai-model-that-predicts-weather-and-extreme-conditions-with-15-day-accuracy), ist die Verlängerung des Vorhersagehorizonts auf 15 Tage mit einer höheren Genauigkeit ein bedeutender Fortschritt, insbesondere für die Vorhersage extremer Ereignisse.
Auch an der Technischen Universität München (TUM) wird die Anwendung von KI in der Meteorologie erforscht. Kevin Höhlein, Doktorand am Lehrstuhl für Computergrafik und Visualisierung, forscht an datengetriebenen Methoden zur Analyse und Verbesserung der Qualität von Wettervorhersagen (https://mcml.ai/news/2024-12-04-hoehlein-interview/). Er hebt die Bedeutung von probabilistischer Modellierung und Deep Learning hervor, um die Unsicherheiten in Wettervorhersagen besser zu verstehen und die Genauigkeit von Ensemble-Vorhersagen zu steigern.
