Das Europäische Zentrum für mittelfristige Wettervorhersage (EZMW) hat ein eigenes KI-gestütztes Wettermodell vorgestellt – kurz nach dem bahnbrechenden Modell von Google, das im Dezember veröffentlicht wurde.
Das neue Modell, genannt Artificial Intelligence Forecasting System (AIFS), übertrifft laut EZMW traditionelle, physikbasierte Modelle um bis zu 20 %. Ein besonders beeindruckender Faktor: AIFS arbeitet nicht nur schneller, sondern verbraucht auch rund 1.000-mal weniger Energie für eine Vorhersage.
Das EZMW feiert in diesem Jahr sein 50-jähriges Bestehen und ist bekannt für ENS, eines der weltweit führenden Modelle zur mittelfristigen Wettervorhersage. Der Begriff „mittelfristig“ umfasst Vorhersagen für Zeiträume von drei bis 15 Tagen, doch EZMW bietet auch Wetterprognosen für bis zu ein Jahr im Voraus. Diese Modelle sind entscheidend für Regierungen und Behörden, um sich auf Extremwetter vorzubereiten – aber auch für den Alltag, wenn du wissen willst, wie das Wetter auf deinem nächsten Urlaubstrip wird.
KI gegenüber klassischen Wettermodellen – das steckt dahinter
Traditionelle Wettermodelle arbeiten mit physikalischen Gleichungen, um Prognosen zu erstellen. Das Problem dabei: Diese Berechnungen sind nur Näherungen der komplexen Atmosphärendynamik. KI-basierte Modelle könnten jedoch aus riesigen Datenmengen lernen und komplexe Zusammenhänge direkt aus den Wetterdaten erfassen – ohne sich ausschließlich auf bekannte physikalische Formeln verlassen zu müssen.
Der Launch von AIFS kommt nur wenige Wochen nach Googles DeepMind-Entwicklung GenCast, dem neuesten KI-gestützten Wettermodell, das auf NeuralGCM und GraphCast aufbaut. GenCast übertraf EZMWs ENS in 97,2 % aller getesteten Wettervariablen. Bei Vorhersagen mit einem Vorlauf von mehr als 36 Stunden war GenCast sogar in 99,8 % der Fälle präziser als ENS.
Aber auch das EZMW ruht sich nicht aus. Mit AIFS-single hat das Zentrum die erste operative Version des neuen KI-Wettersystems an den Start gebracht. „Das ist eine riesige Herausforderung, um sicherzustellen, dass die Modelle stabil und zuverlässig laufen“, erklärte Florian Pappenberger, Direktor für Vorhersagen und Dienstleistungen beim EZMW. Derzeit habe AIFS eine geringere Auflösung als das klassische physikbasierte Modell IFS, das eine Präzision von 9 km (5,6 Meilen) erreicht.
„Wir sehen AIFS und IFS als ergänzende Werkzeuge, die unserer Nutzer-Community verschiedene Optionen bieten. Sie können dann selbst entscheiden, was am besten zu ihren Bedürfnissen passt“, so Pappenberger weiter.
Das nächste Ziel des EZMW-Teams ist die Kombination von datenbasierten und physikalischen Modellen, um die Wettervorhersage noch präziser zu machen.
Die Zukunft: Hybridmodelle für noch genauere Prognosen
„Physikbasierte Modelle sind aktuell der Schlüssel für die Datenassimilation“, erklärte Matthew Chantry, Leiter für maschinelles Lernen und Innovation beim EZMW, in einer E-Mail an Gizmodo. „Diese Assimilation ist ebenso entscheidend, um KI-Modelle täglich mit aktuellen Wetterdaten zu initialisieren und präzise Vorhersagen zu ermöglichen.“
Chantry ist Mitautor einer neuen Studie, die derzeit im Peer-Review-Prozess ist. Darin wird ein vollständig datengetriebenes Wettervorhersagemodell beschrieben, das nicht mehr auf physikbasierte Berechnungen angewiesen ist. Das System, genannt GraphDOP, nutzt Messdaten wie Helligkeitstemperaturen von Satelliten, um ein „kohärentes latentes Abbild der Erdprozesse und Atmosphärendynamik“ zu erzeugen. Dadurch soll es möglich werden, relevante Wetterparameter mit hoher Genauigkeit bis zu fünf Tage im Voraus vorherzusagen.
Die Verknüpfung von KI-Methoden mit klassischer Wettermodellierung könnte das Feld der Vorhersagen revolutionieren. Erste Tests zeigen, dass KI-basierte Prognosen oft präziser sind als herkömmliche Modelle – allerdings beruhen sie bislang hauptsächlich auf Reanalysedaten. Wie gut die Technologie tatsächlich in freier Wildbahn funktioniert, bleibt abzuwarten.
