Wie diese KI extreme lokale Wetterereignisse vorhersagt
Da der Klimawandel die Intensität und Häufigkeit extremer Wetterereignisse zunimmt, war die Vorhersage von Vorhersagen noch nie so wichtig wie heute.
Ein neues Modell des maschinellen Lernens könnte die Genauigkeit lokaler Wettervorhersagen erhöhen, ein Fortschritt, der sich besonders für einkommensschwache Regierungen und Gemeinden als lebensverändernd erweisen könnte.
Das Problem ist, dass die Entwicklung genauer regionaler Vorhersagen aufgrund der komplexen Physik, die Starkniederschläge und extreme Wetterereignisse antreibt, bekanntermaßen schwierig ist. Regionale Vorhersagen erfordern Supercomputer und geschulte lokale Praktiker, so dass sie nur für wohlhabende Regierungen und Gemeinden zugänglich sind.
Um dieses Problem anzugehen, haben Datenwissenschaftler und Forscher des Start-ups ClimateAi ein maschinelles Lernmodell entwickelt, das regionale Prognosen in einem beispiellosen Maße demokratisieren könnte. Das Modell korrigiert die Verzerrungen, die derzeit in globalen Wettermodellen existieren, und bietet genaue lokale Vorhersagen ohne die traditionellen -- und kostspieligen -- Einschränkungen aktueller Vorhersagesysteme.
Die Forschung des Teams zu dem Modell wurde einem umfangreichen Peer-Review unterzogen und soll Ende März auf der 25. Internationalen Konferenz für Künstliche Intelligenz und Statistik (AISTATS) veröffentlicht werden.
Im Kern der Herausforderung, so stellt sich heraus, geht es um die Lösung. Herkömmliche Wettervorhersagen für mehrere Tage im Voraus sind sehr grob aufgelöst und erfassen daher keine lokalen Extremereignisse. Eine Alternative, die in den letzten Jahren verwendet wurde, besteht darin, laufende Beobachtungen zu nutzen, um das lokale Wetter bis zu ein paar Stunden im Voraus vorherzusagen.
Der Nutzen solcher Vorhersagen ist begrenzt, wenn es um Extremwetterereignisse geht. Die Lösung besteht darin, die Auflösung dieser traditionellen Prognosen zu erhöhen, die recht genau sind.
Der ClimateAi Lead Data Scientist Dr. Stephan Rasp und Ilan Price von der University of Oxford haben einen innovativen Ansatz für maschinelles Lernen entwickelt. Es verwendet generative Adversarial Networks (GANs), die mit globalen Wettervorhersagen trainiert wurden, um die Verzerrungen zu korrigieren, die in aktuellen Wettermodellen vorhanden sind. Das neue Modell verkleinert globale Prognosen, um so genau wie eine lokale Prognose zu sein, ohne dass die enormen Mengen an Rechen-, Finanz- und Personalressourcen erforderlich sind, die bisher für eine so kleine Skala erforderlich waren.
"Unser neues Modell geht über die jüngste Flut von Aktivitäten hinaus, um die 'Nowcasts' zu verbessern, und erreicht die gleiche Genauigkeit für Vorhersagen am Horizont von mehreren Stunden bis Tagen", bemerkte Dr. Rasp. "Durch einen zweifachen Ansatz können wir systematische Fehler in den globalen Modellen berücksichtigen und die Auflösung der Vorhersage erhöhen, so dass regionale Extreme genau erfasst werden."
Durch die Beseitigung der kostspieligen Einschränkungen aktueller Vorhersagesysteme, einschließlich der Notwendigkeit eines hochqualifizierten Meteorologen, der Informationen durch komplexe Modelle einspeist, könnte diese neue Technik ein Segen für Gemeinden sein, die sich die Technologie für hochauflösende lokale Vorhersagen nicht leisten können.
Wie sieht das in der Praxis aus? ClimateAi schlägt ein Szenario vor, in dem das neue Modell nicht einfach eine "40%ige Regenwahrscheinlichkeit in dieser Woche" für eine ganze Region bestätigt, sondern die Nutzer in die Lage versetzen würde, hilfreichere Fragen zu beantworten wie:
Wie hoch ist die Wahrscheinlichkeit, dass es morgen regnet oder nicht?
Wo genau wird es regnen?
Wenn es regnet, nieselt es dann überall, schüttet es an einer bestimmten Stelle oder schüttet es an vielen Stellen, aber nieselt an anderen?
Die Forscher weisen darauf hin, dass grobe, großräumige Vorhersagen die Antworten auf diese Fragen verbergen.
"Durchbrüche in den Bereichen künstliche Intelligenz und maschinelles Lernen verändern die Wettervorhersage, und ressourcenintensive regionale Wettermodelle könnten bald vollständig durch Ansätze des maschinellen Lernens ersetzt werden", fügte Dr. Rasp hinzu. "Umsetzbare Prognosen werden Unternehmen und Regierungen dabei unterstützen, ihre Initiativen und Abläufe klimasicher zu machen."
Natürlich steht das neue Modell auch im Einklang mit den übergeordneten Geschäftszielen von ClimateAi, Unternehmen dabei zu helfen, Klimarisiken mit verwertbaren Informationen besser zu managen. In einer Zeit, in der aufgrund des Klimawandels immer mehr extreme Wetterbedingungen auftreten, ist das Unternehmen aus San Francisco in der Lage, Lieferketten dabei zu unterstützen, kostspielige Unterbrechungen zu vermeiden.