University of San Diego 30.05.2023, 12:33 Uhr

Maschinelles Lernen verbessert Wetterbericht

Der Vergleich mit historischen Vorhersagen und die Nutzung vieler Variablen sorgt bei der Wettervorhersage für mehr Genauigkeit.
Forscher der University of San Diego haben mithilfe von maschinellem Lernen, das menschliche Gesichter erkennen kann, analoge Wettervorhersagen verbessert.
(Quelle: Pixabay/Alex Strachan)
Maschinelles Lernen, das menschliche Gesichter erkennen kann, könnte laut Forschern der University of San Diego zur Verbesserung analoger Wettervorhersagen beitragen. «Die Idee hinter dieser Arbeit stammt von Googles FaceNet, aber anstatt ein Foto mit Bildern von Gesichtern in einer Datenbank zu vergleichen, vergleichen wir das Wetter mit historischen Vorhersagen», so der beteiligte Wissenschaftler Weiming Hu. Die Ergebnisse der Studie sind in «Boundary-Layer Meteorology» erschienen.

Deep-Learning-Algorithmus

Das Forscher-Team hat einen Deep-Learning-Algorithmus für die analoge Wettervorhersage genutzt, bei der frühere Wetterbedingungen zur Erstellung von Zukunftsprognosen verwendet werden. Sie fanden heraus, dass die Analyse der Vorhersagen für die Oberflächenwindgeschwindigkeit und die Sonneneinstrahlung in Pennsylvania von 2017 bis 2019 mithilfe von maschinellem Lernen die Genauigkeit analoger Vorhersagen in dieser Fallstudie verbesserte.
«Man will verstehen, wie viel Energie man für den kommenden Tag erwarten kann. Man will das Risiko verstehen - egal, ob man zu viel oder zu wenig vorhersagt, es wird Stromengpässe oder Überproduktion geben. Unsere Arbeit zeigt, dass wir die Genauigkeit dieser Wind- und Solarvorhersagen verbessern können», sagt Hu. Die analoge Vorhersage ist eine Alternative zur numerischen Wettervorhersage (NWP), bei der Computermodelle verwendet werden, um zu simulieren, wie sich anfängliche Wetterbedingungen in den kommenden Tagen oder Wochen entwickeln werden. Sie hat zu grossen Fortschritten bei der Vorhersage geführt, aber es bleiben Unsicherheiten.

Analog ist häufig günstiger

Diese Unsicherheiten werden zum Teil durch eine Reihe von Simulationen (Ensembles) behoben, die diverse mögliche künftige atmosphärische Zustände zeigen, aber laut den Forschern rechenintensiv und teuer in der Herstellung sind. «Die analoge Vorhersage kann jedoch Ensembles ohne teure, wiederholte Modellläufe erstellen. Dabei wird nach historischen Vorhersagen gesucht, die der Zielvorhersage am ähnlichsten sind. Aus den Beobachtungen der Vergangenheit, die mit den ähnlichsten Prognosen in Verbindung stehen, werden dann die Ensemble-Mitglieder gebildet», erklärt Hu.
Analoge Ensembles werden demnach durch die Kombination einer detaillierten NWP-Vorhersage mit Wetterbeobachtungen wie Temperatur, Luftdruck und Luftfeuchtigkeit aus vergangenen Vorhersagen, die der aktuellen Prognose ähneln, erstellt. Die besten Analogien werden auf der Grundlage einer Ähnlichkeitsmetrik ausgewählt, die einzelne Wettervorhersagen gewichtet, aber dieser Prozess verwendet eine eingeschränkte Suche, die die Anzahl der verwendeten Prognosen begrenzt und die Beziehungen zwischen den Vorhersagen nicht berücksichtigt.

Alle Wettervariablen integriert

«Das war die Einschränkung für analoge Ensemble-Vorhersagen. In dieser Arbeit wird versucht, dieses Problem zu lösen, indem ein maschinelles Lernverfahren eingeführt wird, um die komplexen Zusammenhänge zwischen den Vorhersagen zu lernen. Die Technologie des maschinellen Lernens nimmt alle Wettervariablen - wie Temperatur, Luftdruck und Luftfeuchtigkeit - und wandelt sie in einen latenten Raum oder ein geclustertes Muster um, das bei der Auswahl der idealen Vorhersagen und Analoga hilfreich ist», unterstreicht der Wissenschaftler.
«Unsere Arbeit zeigt, dass ein Modell des maschinellen Lernens für die Betrachtung komplexer Merkmale auch in einem geowissenschaftlichen Bereich eingesetzt werden kann. In den Geowissenschaften haben wir es mit Hunderten von Variablen zu tun. Bei dieser Suche hatten wir mehr als 300. Und in den meisten Fällen gibt es viele Korrelationen. Wir haben gezeigt, dass maschinelles Lernen all diese Beziehungen aus diesem grossen Datensatz erkennen kann», schliesst Hu.

Autor(in) Lutz Steinbrück, pte



Das könnte Sie auch interessieren