Tiefes Lernsystem kann extremes Wetter genau vorhersagen

Ingenieure an der Rice University haben ein tiefes Lernsystem entwickelt, das in der Lage ist, extreme Wetterereignisse bis zu fünf Tage im Voraus genau vorherzusagen. Das System, das sich selbst beigebracht hat, benötigt nur minimale Informationen über die aktuellen Wetterbedingungen, um die Vorhersagen zu treffen.             

Ein Teil der Ausbildung des Systems umfasst das Untersuchen von Hunderten von Paaren von Karten, und jede Karte zeigt Oberflächentemperaturen und Luftdrücke in fünf Kilometern Höhe. Diese Bedingungen werden mehrere Tage auseinander dargestellt. Die Ausbildung umfasst auch Szenarien, die extremes Wetter verursacht haben, wie Hitzewellen und Kältewellen, die zu Hitzewellen und Winterstürmen führen können. Nach Abschluss der Ausbildung konnte das tiefe Lernsystem fünf-Tage-Vorhersagen von extremem Wetter auf der Grundlage von Karten treffen, die es zuvor nicht gesehen hatte, mit einer Genauigkeitsrate von 85%.

Laut Pedram Hassanzadeh, Co-Autor der Studie, die online veröffentlicht wurde in der American Geophysical Union’s Journal of Advances in Modeling Earth Systems, könnte das System als Werkzeug verwendet werden und als Frühwarnsystem für Wettervorhersager dienen. Es wird besonders nützlich sein, um mehr über bestimmte atmosphärische Bedingungen zu erfahren, die zu extremem Wetter führen. 

Aufgrund der Erfindung der computerbasierten numerischen Wettervorhersage (NWP) in den 1950er Jahren haben sich die täglichen Wettervorhersagen kontinuierlich verbessert. Allerdings kann die NWP keine zuverlässigen Vorhersagen über extreme Wetterereignisse wie Hitzewellen treffen. 

“Es könnte sein, dass wir schnellere Supercomputer benötigen, um die Regeln der numerischen Wettervorhersagemodelle mit höherer Auflösung zu lösen”, sagte Hassanzadeh, Assistant Professor für Maschinenbau und für Erde, Umwelt- und Planetenwissenschaften an der Rice University. “Aber weil wir die Physik und die Vorbedingungen von wetterverursachenden Mustern nicht vollständig verstehen, ist es auch möglich, dass die Gleichungen nicht vollständig genau sind und keine besseren Vorhersagen liefern, egal wie viel Rechenleistung wir einsetzen.”

Im Jahr 2017 wurde Hassanzadeh von den Co-Autoren und Doktoranden Ashesh Chattopadhyay und Ebrahim Nabizadeh begleitet. Zusammen gingen sie einen anderen Weg. 

“Wenn Sie diese Hitzewellen oder Kältewellen bekommen, sehen Sie oft ein seltsames Verhalten in der Jetstream, abnormalen Dingen wie großen Wellen oder einem großen Hochdrucksystem, das sich nicht bewegt”, sagte Hassanzadeh. “Es schien, als ob dies ein Mustererkennungsproblem wäre. Also entschieden wir uns, extremes Wettervorhersagen als Mustererkennungsproblem und nicht als numerisches Problem umzuformulieren.”

“Wir entschieden uns, unser Modell durch Vorzeigen von vielen Druckmustern in den fünf Kilometern über der Erde auszubilden und es zu sagen: ‘Dieses hat kein extremes Wetter verursacht. Dieses hat eine Hitzewelle in Kalifornien verursacht. Dieses hat nichts verursacht. Dieses hat eine Kältewelle im Nordosten verursacht'”, fuhr Hassanzadeh fort. “Nichts Spezifisches wie Houston versus Dallas, sondern mehr ein Gefühl für den regionalen Bereich.”

Vor dem Computerzeitalter wurde die analoge Vorhersage für Wettervorhersagen verwendet. Sie wurde auf sehr ähnliche Weise wie das neue System durchgeführt, aber von Menschen und nicht von Computern. 

“Eine Möglichkeit, wie Vorhersagen vor dem Computerzeitalter durchgeführt wurden, bestand darin, das Drucksystemmuster von heute zu betrachten und dann zu einem Katalog von früheren Mustern zu gehen und zu vergleichen und zu versuchen, ein Analogon, ein sehr ähnliches Muster, zu finden”, sagte Hassanzadeh. “Wenn dieses zu Regen in Frankreich nach drei Tagen führte, lautete die Vorhersage Regen in Frankreich.”

Jetzt können neuronale Netze selbstständig lernen und müssen nicht unbedingt auf Menschen angewiesen sein, um Verbindungen herzustellen. 

“Es war nicht wichtig, dass wir die Vorbedingungen nicht vollständig verstehen, da das neuronale Netzwerk gelernt hat, diese Verbindungen selbst herzustellen”, sagte Hassanzadeh. “Es hat gelernt, welche Muster für extremes Wetter kritisch sind, und es hat diese verwendet, um das beste Analogon zu finden.”

Um ihr Konzept zu testen, verließen sich die Forscher auf Daten, die aus realistischen Computersimulationen stammten. Sie berichteten ursprünglich über frühe Ergebnisse mit einem konvolutionellen neuronalen Netzwerk, aber das Team wechselte dann zu Capsule-Neural-Netzwerken. Konvolutionelle neuronale Netze können relative räumliche Beziehungen nicht erkennen, aber Capsule-Neural-Netze können dies. Diese relativen räumlichen Beziehungen sind wichtig, wenn es um die Entwicklung von Wettermustern geht. 

“Die relativen Positionen von Druckmustern, die Hoch- und Tiefdruckgebiete, die man auf Wetterkarten sieht, sind der Schlüsselfaktor bei der Bestimmung, wie sich das Wetter entwickelt”, sagte Hassanzadeh.

Capsule-Neural-Netze benötigen auch weniger Trainingsdaten als konvolutionelle neuronale Netze. 

Das Team wird weiter an dem System arbeiten, um es in der Lage zu versetzen, in der operativen Vorhersage verwendet zu werden, aber Hassanzadeh hofft, dass es letztendlich zu genaueren Vorhersagen für extremes Wetter führen wird. 

“Wir schlagen nicht vor, dass dies am Ende die NWP ersetzen wird”, sagte er. “Aber dies könnte ein nützliches Werkzeug für die NWP sein. Rechnerisch könnte dies eine sehr billige Möglichkeit sein, einige Anleitung zu geben, eine Frühwarnung, die es ermöglicht, NWP-Ressourcen speziell dort zu konzentrieren, wo extremes Wetter wahrscheinlich ist.”

“Wir möchten Ideen aus der erklärbareren KI (künstlicher Intelligenz) nutzen, um zu interpretieren, was das neuronale Netzwerk tut”, sagte er. “Dies könnte uns helfen, die Vorbedingungen von wetterverursachenden Mustern zu identifizieren und unser Verständnis ihrer Physik zu verbessern.”