Tiefes Lernsystem kann extreme Wetterbedingungen 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 besteht darin, hundreds von Paaren von Karten zu untersuchen, und jede Karte zeigt Oberflächentemperaturen und Luftdrücke in fünf Kilometern Höhe. Diese Bedingungen werden mehrere Tage auseinander dargestellt. Die Ausbildung umfasst auch Szenarien, die extreme Wetterbedingungen wie Hitzewellen und Winterstürme verursachen. 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 im American Geophysical Union’s Journal of Advances in Modeling Earth Systems, könnte das System als Werkzeug dienen und als Frühwarnsystem für Wettervorhersager wirken. Es wird besonders nützlich sein, um mehr über bestimmte atmosphärische Bedingungen zu erfahren, die extreme Wetterbedingungen verursachen.

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

“Es könnte sein, dass wir schnellere Supercomputer benötigen, um die Regierungsgleichungen der numerischen Wettervorhersagemodelle mit höherer Auflösung zu lösen”, sagte Hassanzadeh, Assistant Professor für Maschinenbau und Erd-, Umwelt- und Planetenwissenschaften an der Rice University. “Aber weil wir die Physik und die Vorbedingungen von extremen Wettermustern 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 Hitzewellen oder Kältewellen bekommen, sehen Sie oft ein seltsames Verhalten in der Jetstream, anomale Dinge wie große Wellen oder ein großes Hochdrucksystem, das sich nicht bewegt”, sagte Hassanzadeh. “Es schien, als ob dies ein Mustererkennungsproblem wäre. Also beschlossen wir, das extreme Wettervorhersagesystem als Mustererkennungsproblem umzuformulieren, anstatt es als numerisches Problem zu betrachten.”

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

Vor dem Computerzeitalter wurde die analoge Vorhersage für die Wettervorhersage 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 versuchen, ein Analogon, ein sehr ähnliches Muster, zu finden”, sagte Hassanzadeh. “Wenn dieses Muster zu Regen über Frankreich nach drei Tagen führte, wäre 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 das Team auf Daten, die aus realistischen Computersimulationen stammten. Zunächst berichteten sie über frühe Ergebnisse mit einem konvolutionellen neuronalen Netzwerk, aber das Team wechselte dann zu Capsula-Neuronalen Netzen. Konvolutionelle neuronale Netze können relative räumliche Beziehungen nicht erkennen, aber Capsula-Neuronale 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.

Capsula-Neuronale Netze benötigen auch weniger Trainingsdaten als konvolutionelle neuronale Netze.

Das Team wird weiter an dem System arbeiten, damit es für die operationelle Vorhersage verwendet werden kann, aber Hassanzadeh hofft, dass es letztendlich zu genaueren Vorhersagen für extremes Wetter führen wird.

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

“Wir wollen Ideen aus der erklärlichen KI (künstlicher Intelligenz) nutzen, um zu verstehen, was das neuronale Netzwerk tut”, sagte er. “Dies könnte uns helfen, die Vorbedingungen für extreme Wettermuster zu identifizieren und unser Verständnis ihrer Physik zu verbessern.”