Berichte
Tomorrow.io-Forschung zeigt: Bessere Ausgangsdaten können KI-Wettervorhersagen verbessern

Wichtige PunkteBessere anfängliche Atmosphärendaten verbesserten die Aurora-Vorhersagen, ohne das…
Mehr anzeigen
- Bessere anfängliche Atmosphärendaten verbesserten die Aurora-Vorhersagen, ohne das Modell selbst zu verändern.
- Der Gewinn von einem Tag vergleicht die Sky-1-Initialisierung mit rohem GFS, anstatt Satellitenbeobachtungen zu isolieren.
- Der Fortschritt der Wetter-KI hängt von der vollständigen Pipeline aus Beobachtung, Assimilation, Vorhersage und Bewertung ab.
Tomorrow.io setzt sich dafür ein, KI-Wettervorhersagen zu verbessern, noch bevor das Vorhersagemodell überhaupt läuft. Die neuesten Forschungsergebnisse des Unternehmens zeigen, dass bessere Schätzungen des aktuellen Atmosphärenzustands die Vorhersagen von Microsofts Aurora 1.5 und Google DeepMinds WeatherNext 2 verbessern können, ohne die Vorhersagemodelle selbst zu verändern.
In der am 17. November veröffentlichten Ankündigung des Unternehmens wird Sky 1 vorgestellt: ein maschinelles Datenassimilationssystem, das die Anfangsbedingungen stündlich anhand von Beobachtungen aus der Konstellation von 15 Mikrowellensondierern aktualisiert. Die Instrumente liefern Temperatur- und Feuchtigkeitsdaten, auch durch Wolken hindurch und aus Gebieten mit wenigen Beobachtungen.
Die Ergebnisse legen nahe, dass Beobachtungssysteme und die Software zur Aufbereitung der Modelleingaben ebenso viel Aufmerksamkeit verdienen wie die Modellarchitektur. Außerdem beruhen sie auf zwei unterschiedlichen Vergleichen: dem Beitrag der Satellitenbeobachtungen und dem umfassenderen Nutzen, den der Einsatz von Sky 1 zur Initialisierung von Aurora hat.
Warum der anfängliche Atmosphärenzustand wichtig ist
Ein Wettermodell benötigt einen Anfangszustand: eine dreidimensionale Schätzung von Bedingungen wie Temperatur, Luftfeuchtigkeit und Wind. Beobachtungen stammen aus unterschiedlichen Orten, Höhen und Zeitpunkten. Bei der Datenassimilation werden Messungen mit einer bestehenden Schätzung der Atmosphäre zusammengeführt, um einen konsistenten Ausgangszustand zu erstellen.
Die Erklärung des ECMWF zu ERA5 beschreibt, wie Modelle und Beobachtungen dabei zusammenwirken. ERA5 rekonstruiert das vergangene Wetter in Form eines konsistenten globalen Datensatzes und eignet sich daher als Referenz zur Bewertung von Vorhersagen. Es bleibt eine Rekonstruktion der Atmosphäre, die auf eigenen Modellierungs- und Beobachtungsdaten beruht.
Eine schnelle Inferenz betrifft die Frage, wie rasch ein Modell berechnen kann, was als Nächstes geschieht. Eine bessere Initialisierung verbessert dagegen die Kenntnis des aktuellen Zustands. Auch ein leistungsstarkes Modell kann eine ungenaue Ausgangsschätzung in seinen Vorhersagen fortschreiben.
Ergebnisse des Satellitenvergleichs
Tomorrow.io berichtet, dass die Einbeziehung seiner Beobachtungen den Fehler bei der Schätzung des Wasserdampfs im Anfangszustand in 28 Fällen, gemessen an ERA5, um etwa 5–8 % verringerte. Bei der Bewertung der Vorhersagen wiesen 112 Aurora-1.5-Prognosen bei jedem untersuchten Vorhersagezeitraum bis zu fünf Tagen einen geringeren durchschnittlichen Fehler bei der bodennahen Temperatur auf, wenn die Beobachtungen einbezogen wurden. Das Unternehmen bezeichnet die Verbesserungen als gering und in den ersten beiden Tagen am stärksten.
Die veröffentlichten Methoden des Unternehmens beruhen auf paarweise verglichenen Anfangszuständen: Sky 1 erstellt einen davon anhand der Beobachtungen der Satellitenkonstellation, während bei der Erstellung des anderen diese Beobachtungen unberücksichtigt bleiben. Dasselbe Vorhersagemodell wird mit beiden Zuständen ausgeführt, sodass sich der zusätzliche Beitrag der Daten isoliert bewerten lässt.
Beim Vergleich mit Messungen von Wetterstationen wurden etwa 17.700 Stationen herangezogen. Auch WeatherNext 2 wurde anhand der paarweise verglichenen Anfangszustände getestet.
Was das Ergebnis vom „zusätzlichen Tag“ tatsächlich bedeutet
Der Zugewinn von etwa einem Tag beim Vorhersagezeitraum stammt aus einem separaten Vergleich zwischen Aurora mit Sky-1-Initialisierung und Aurora mit direkter Initialisierung anhand von Daten des Global Forecast System (GFS). Laut Tomorrow.io erreichte der Lauf mit den unveränderten GFS-Daten den Fehlerwert der Fünf-Tage-Vorhersage mit Sky 1 etwa 24,9 Stunden früher, wenn die Bewertung anhand von ERA5 erfolgte. Beim Vergleich mit Wetterstationen betrug der entsprechende Zugewinn etwa 10 Stunden.
Das Unternehmen führt dieses Ergebnis ausdrücklich auf Sky 1 insgesamt zurück und nicht allein auf die Satellitenkonstellation. Ein Teil der Verbesserung sei darauf zurückzuführen, dass Aurora einen Anfangszustand erhält, der dem während des Trainings verwendeten Zustandstyp ähnelt.
Diese Unterscheidung ist entscheidend für die Interpretation der Forschungsergebnisse. Das Ergebnis zum Äquivalent eines zusätzlichen Tages misst die Leistung bei einem bestimmten Temperaturfehler-Schwellenwert und anhand einer bestimmten Referenz. Es belegt nicht, dass jede Vorhersagevariable, jede Region oder jedes Extremereignis einen ganzen Tag früher vorhersagbar wird.
Die Technologie hinter den neuen Beobachtungen
Die Dokumentation zu den Mikrowellensondierern von Tomorrow.io beschreibt passive Radiometer, die Profile der atmosphärischen Temperatur und des Wasserdampfs liefern. Das Unternehmen nennt mehr als 12 Kanäle im Frequenzbereich von 91–204 GHz sowie eine Querabtastung über einen etwa 2.200 Kilometer breiten Streifen.
Diese Instrumente liefern Messwerte für eine Atmosphärenanalyse; sie erstellen nicht direkt eine fertige Vorhersage. Der Wert einer Beobachtung hängt von ihrer Kalibrierung, räumlichen Abdeckung und zeitlichen Einordnung sowie davon ab, wie das Assimilationssystem sie einbezieht. Damit wird die Verbindung zwischen der Weltraumtechnik und der Eingabedaten-Pipeline von KI-Wettervorhersagemodellen deutlich.
Welche Rolle Aurora und WeatherNext spielen
Microsoft beschreibt Aurora 1.5 als Erweiterung seines grundlegenden Erd-System-Modells. Dazu kommen eine stündliche zeitliche Auflösung, weitere Vorhersagevariablen und probabilistische Ensemble-Vorhersagen. Ein Ensemble bildet mehrere mögliche zukünftige Entwicklungen ab und hilft Nutzern, die Unsicherheit einzuschätzen.
WeatherNext 2 nutzt eine Architektur namens Functional Generative Network für globale Ensemble-Vorhersagen. Laut der Dokumentation von Google umfasst das Modell ein Raster mit einer Auflösung von 0,25 Grad, 64 Ensemblemitglieder und einen Vorhersagezeitraum von 15 Tagen. Die von Tomorrow.io veröffentlichte Bewertung erstreckt sich über einen Zeitraum von fünf Tagen.
Google hat inzwischen WeatherNext 3 vorgestellt, das aktuelle Satellitenbeobachtungen einbezieht und stündliche Prognosen erstellt. Die hier erörterten Ergebnisse von Tomorrow.io beziehen sich auf WeatherNext 2; sie belegen keine Verbesserung des neueren Google-Modells.
Eine breitere Ausrichtung der Wetter-KI
Dabei handelt es sich um rückblickende Auswertungen, über die das Unternehmen berichtet. Sie bieten einen nützlichen Test für die Qualität der Initialisierung und der Beobachtungen; laut Mitteilung sind die Daten auf Anfrage erhältlich. Beschrieben werden Arbeiten zur Bewertung von Hurrikanbahnen, den Landfällen atmosphärischer Flüsse und Unwettern, ohne dass damit für diese Ereignisse ein vergleichbarer Gewinn bei der Temperaturvorhersage im Hinblick auf die Vorlaufzeit belegt wäre.
Die übergeordnete Erkenntnis lautet, dass Fortschritte bei der Wetter-KI die gesamte Prognosepipeline betreffen: Beobachtungen, Datenassimilation, Vorhersage und Auswertung. Die Tests von Tomorrow.io zeigen, wie die Untersuchung der Eingangsdaten Verbesserungen aufdecken kann, die beim alleinigen Vergleich von Prognosearchitekturen unentdeckt blieben. Für die Nutzerinnen und Nutzer zählen letztlich verlässliche Verbesserungen bei den Variablen, an den Orten und innerhalb der Entscheidungszeiträume, die für ihre Abläufe wichtig sind.












