Forscher sagen, dass KI-gestützte Wetter- und Klimamodelle die Zukunft der Vorhersage verändern werden

Ein neues Wettervorhersage- und zukünftiges Klimavorhersagesystem nutzt künstliche Intelligenz (KI), um Ergebnisse zu erzielen, die mit den besten vorhandenen Modellen vergleichbar sind, und dabei deutlich weniger Rechenleistung zu verbrauchen, so seine Entwickler.

In einem Artikel veröffentlicht in NaturEin Team von Forschern von Google, MIT, Harvard und dem Europäischen Zentrum für mittelfristige Wettervorhersagen sagt, ihr Modell biete enorme „Recheneinsparungen“ und könne „groß angelegte physikalische Simulationen verbessern, die für das Verständnis und die Vorhersage des Erdsystems unerlässlich sind“.

Das NeuralGCM-Modell ist das neueste einer fortlaufenden Reihe von Forschungsmodellen, die Fortschritte im maschinellen Lernen nutzen, um Wetter- und Klimavorhersagen schneller und kostengünstiger zu machen.

Was ist NeuralGCM?

Das NeuralGCM-Modell zielt darauf ab, die besten Funktionen traditioneller Modelle mit einem maschinellen Lernansatz zu kombinieren.

Im Kern ist NeuralGCM das, was wir ein „allgemeines Zirkulationsmodell“ nennen. Es enthält eine mathematische Beschreibung des physikalischen Zustands der Erdatmosphäre und löst komplexe Gleichungen, um vorherzusagen, was in der Zukunft passieren wird.

Allerdings nutzt NeuralGCM maschinelles Lernen (einen Prozess zum Finden von Mustern und Regelmäßigkeiten in riesigen Datenmengen) auch für einige weniger gut verstandene physikalische Prozesse, wie etwa die Wolkenbildung. Der hybride Ansatz stellt sicher, dass die Ergebnisse der Machine-Learning-Module den Gesetzen der Physik entsprechen.

Mit dem resultierenden Modell lassen sich dann Wettervorhersagen für mehrere Tage und Wochen im Voraus erstellen sowie das Klima über mehrere Monate und Jahre vorhersagen.

Die Forscher verglichen NeuralGCM mit anderen Modellen mithilfe eines standardisierten Satzes von Vorhersagetests namens WeatherBench 2. Bei Drei- und Fünf-Tages-Vorhersagen schnitt NeuralGCM in etwa genauso gut ab wie andere auf maschinellem Lernen basierende Wettermodelle wie Pangu und GraphCast. Für längerfristige Vorhersagen von zehn und fünfzehn Tagen erwies sich NeuralGCM als ungefähr so ​​genau wie die besten vorhandenen traditionellen Modelle.

NeuralGCM hatte auch einige Erfolge bei der Vorhersage weniger häufiger Wetterphänomene wie tropische Wirbelstürme und atmosphärische Flüsse.

Warum maschinelles Lernen?

Modelle für maschinelles Lernen basieren auf Algorithmen, die Muster in den ihnen zugeführten Daten lernen und dieses Lernen dann nutzen, um Vorhersagen zu treffen. Da Klima- und Wettersysteme äußerst komplex sind, benötigen maschinelle Lernmodelle für das Training große Mengen historischer Beobachtungen und Satellitendaten.

Der Trainingsprozess ist sehr teuer und erfordert viel Rechenleistung. Sobald das Modell jedoch trainiert ist, können damit schnell und kostengünstig Vorhersagen getroffen werden. Dies ist einer der Hauptgründe für ihre Attraktivität bei der Wettervorhersage.

Die hohen Schulungskosten und niedrigen Nutzungskosten ähneln denen anderer Arten von Modellen für maschinelles Lernen. Berichten zufolge hat die Schulung von GPT-4 mehrere Monate gedauert und mehr als 100 Millionen US-Dollar gekostet, kann aber in wenigen Augenblicken auf eine Anfrage reagieren.

Eine der Schwächen von Modellen für maschinelles Lernen besteht darin, dass sie in ungewöhnlichen Situationen, wie in diesem Fall extremen oder beispiellosen Wetterbedingungen, oft Schwierigkeiten haben, ihre Leistung zu erbringen. Dazu muss ein Modell in der Lage sein, über die Daten hinaus, auf denen es trainiert wurde, zu verallgemeinern oder zu extrapolieren.

NeuralGCM scheint andere maschinelle Lernmodelle in diesem Bereich zu übertreffen, da sein physikbasierter Kern eine gewisse Realitätsnähe bietet. Mit dem Klimawandel auf der Erde werden beispiellose Wetterbedingungen immer häufiger auftreten, und wir wissen nicht, wie gut Modelle des maschinellen Lernens damit Schritt halten können.

Noch nutzt niemand auf maschinellem Lernen basierende Wettermodelle für Tagesvorhersagen. Dennoch ist dies ein sehr aktives Forschungsgebiet und wir können auf die eine oder andere Weise sicher sein, dass Vorhersagen für die Zukunft auf maschinellem Lernen beruhen werden.

Dieser Artikel wurde von The Conversation unter einer Creative Commons-Lizenz erneut veröffentlicht. Lesen Sie den Originalartikel.