Europas neues KI-Wettermodell ist schneller, intelligenter und kostenlos – das sollten Sie wissen

Das Europäische Zentrum für mittelfristige Wettervorhersage (ECMWF) hat gerade ein KI-gestütztes Prognosemodell auf den Markt gebracht, das den Angaben des Zentrums zufolge modernste physikbasierte Modelle um bis zu 20 Prozent übertrifft.

Das Modell trägt den Namen Artificial Intelligence Forecasting System (AIFS). Laut einer Pressemitteilung des ECMWF arbeitet das neue Modell schneller als physikbasierte Modelle und benötigt für die Erstellung einer Prognose etwa 1.000 Mal weniger Energie.

Das ECMWF, das nun im 50. Jahr seines Bestehens ist, hat ENS entwickelt, eines der weltweit führenden mittelfristigen Wettervorhersagemodelle. Mittelfristige Vorhersagen umfassen Wettervorhersagen zwischen drei und 15 Tagen im Voraus, aber das ECMWF prognostiziert das Wetter auch bis zu einem Jahr im Voraus. Wettervorhersagemodelle sind für Staaten und Kommunen unverzichtbar, um auf extreme Wetterereignisse vorbereitet zu sein – und für alltäglichere Bedürfnisse, wie zum Beispiel zu wissen, wie das Wetter im nächsten Urlaub wird.

Herkömmliche Wettervorhersagemodelle erstellen Prognosen durch das Lösen physikalischer Gleichungen. Eine Einschränkung dieser Modelle besteht darin, dass sie Annäherungen an die atmosphärische Dynamik darstellen. Ein überzeugender Aspekt KI-gesteuerter Modelle besteht darin, dass sie komplexere Zusammenhänge und Dynamiken in Wettermustern direkt aus den Daten lernen können, anstatt sich nur auf bereits bekannte und dokumentierte Gleichungen zu verlassen.

Die Ankündigung des ECMWF folgt kurz nach der Einführung des GenCast-Modells von Google DeepMind für KI-gestützte Wettervorhersagen, der nächsten Iteration von Googles Wettervorhersagesoftware, die NeuralGCM und GraphCast umfasst. GenCast übertraf ENS , das führende Wettervorhersagemodell des ECMWF, bei 97,2 % der Ziele bei verschiedenen Wettervariablen. Mit Vorlaufzeiten von mehr als 36 Stunden war GenCast bei 99,8 % der Ziele genauer als ENS.

Doch auch das Europäische Zentrum führt Neuerungen ein. Die Einführung von AIFS-Single ist lediglich die erste betriebsbereite Version des Systems.

„Dies ist ein gewaltiger Aufwand, der sicherstellt, dass die Modelle stabil und zuverlässig laufen“, sagte Florian Pappenberger, Direktor für Prognosen und Dienste beim ECMWF, in der Pressemitteilung des Zentrums. „Derzeit ist die Auflösung des AIFS geringer als die unseres Modells (IFS), das mit einem physikbasierten Ansatz eine Auflösung von 9 km erreicht.“

„Wir betrachten AIFS und IFS als komplementär und als Teil eines Produktangebots für unsere Benutzergemeinschaft, die selbst entscheidet, was ihren Anforderungen am besten entspricht“, fügte Pappenberger hinzu.

Das Team wird die Hybridisierung datengesteuerter und physikbasierter Modellierung untersuchen, um die Fähigkeit der Organisation zur präzisen Wettervorhersage zu verbessern.

„Physikbasierte Modelle sind der Schlüssel zum aktuellen Datenassimilationsprozess“, sagte Matthew Chantry, strategischer Leiter für maschinelles Lernen beim ECMWF und Leiter der Innovationsplattform, in einer E-Mail an Gizmodo. „Derselbe Datenassimilationsprozess ist auch wichtig, um alltägliche Modelle des maschinellen Lernens zu initialisieren und ihnen die Erstellung von Prognosen zu ermöglichen.“

„Eine der nächsten Grenzen für die Wettervorhersage durch maschinelles Lernen ist dieser Schritt der Datenassimilation. Wenn er gelöst wäre, würde das bedeuten, dass die gesamte Wettervorhersagekette auf maschinellem Lernen basieren könnte“, fügte Chantry hinzu.

Chantry ist Mitautor einer Studie, die derzeit auf die Begutachtung durch Fachkollegen wartet und ein datengesteuertes End-to-End-Prognosesystem beschreibt, das nicht auf physikbasierter Neuanalyse beruht.

Das System mit dem Namen GraphDOP nutzt beobachtbare Größen wie Helligkeitstemperaturen von polaren Orbitern, „um eine kohärente latente Darstellung der Zustandsdynamik und der physikalischen Prozesse des Erdsystems zu bilden“, schrieb das Team, „und ist in der Lage, qualifizierte Vorhersagen relevanter Wetterparameter bis zu fünf Tage im Voraus zu erstellen.“

Die Integration von Methoden der künstlichen Intelligenz in physikbasierte Wettervorhersagemodelle ist ein vielversprechender Ansatz für präzisere Prognosen. Bisherige Tests deuten darauf hin, dass KI-gestützte Prognosen historische Modelle übertreffen können, bisher basierten diese Modelle jedoch auf Daten aus Neuanalysen. Beobachtungen vor Ort waren für das Training der Modelle unerlässlich, und es bleibt abzuwarten, wie beeindruckend die Prognosefähigkeiten der Technologie sein werden, wenn sie gezwungen ist, vom Skript abzuweichen.