Bei Extremwetterereignissen liefert die KI nicht
Wettervorhersagen laufen heute schon mit Unterstützung künstlicher Intelligenz. Eine Forschungsgruppe wollte nun herausfinden, ob sie auch ungewöhnliche Wetterphänomene vorhersagen kann. Die Antwort ist einfach: Nein. Eine Studie zeigt, wo KI-Modelle in der Wettervorhersage an ihre Grenzen stoßen
Bei Extremwetterereignissen gerät die KI in der Wettervorhersage bislang noch an ihre Grenzen. Forschenden haben aber schon eine Lösung dafür.
Foto: panthermedia.net / Harvepino (YAYMicro)
Neuronale Netzwerke sind inzwischen in der Lage, kurzfristige Wetterprognosen mit erstaunlicher Präzision zu erstellen. Das funktioniert, weil diese Systeme ausschließlich auf Basis von Mustern arbeiten, die sie in historischen Wetterdaten erkennen. Was geschieht jedoch, wenn es um ein einmaliges Phänomen geht, das in den bisherigen Daten nicht vorkam? Eine Forschungsgruppe der University of Chicago, der New York University und der University of California Santa Cruz hat sich genau damit beschäftigt. Die Ergebnisse zeigen: Künstliche Intelligenz (KI) stößt bei der Vorhersage von Wetterereignissen, die außerhalb ihrer Trainingsdaten liegen, an klare Grenzen.
Kommt der nächste Hitzesommer? Ja, nein, vielleicht!
Die Bedeutung dieser Erkenntnis ist enorm, da neuronale Netzwerke zunehmend in operative Wetterdienste, Frühwarnsysteme und langfristige Risikoanalysen integriert werden. Die Autoren der Studie betonen jedoch, dass es Ansätze gibt, das Problem zu lösen – etwa durch die stärkere Einbindung mathematischer und physikalischer Prinzipien in die KI-Modelle. „KI-Wettermodelle sind eine der größten Errungenschaften der KI in der Wissenschaft. Wir haben festgestellt, dass sie bemerkenswert, aber nicht magisch sind“, bringt es Pedram Hassanzadeh, außerordentlicher Professor für Geophysik an der University of Chicago auf den Punkt Die Modelle seien schließlich noch vergleichsweise jung, was Raum für Innovationen lässt. Wetteraufzeichnungen dagegen gibt es bereits seit Jahrhunderten.
KI in der Wettervorhersage
Der Einsatz von KI in der Wettervorhersage ist in seiner Funktion vergleichbar mit anderen bekannten neuronalen Netzwerken. Im Kern werden diese Modelle darauf trainiert, Muster in großen Mengen von Texten oder Bildern zu erkennen. Bei Wetterprognosen bedeutet das: Forschende speisen die künstliche Intelligenz mit Wetterdaten aus mehreren Jahrzehnten, damit sie daraus Gesetzmäßigkeiten ableitet. Gibt man aktuelle Wetterdaten ein, liefert das System eine Prognose für die kommenden Tage. In diesem Bereich sind KI-Modelle äußerst leistungsfähig und erreichen oft eine Genauigkeit, die mit klassischen, supercomputerbasierten Wettermodellen vergleichbar ist – allerdings mit deutlich geringerem Zeit- und Energieaufwand.
Bei außergewöhnlichen Wetterlagen besteht die Herausforderung darin, dass die künstliche Intelligenz nur auf Daten der vergangenen etwa 40 Jahre zurückgreifen kann. Extrem seltene Ereignisse wie die Überschwemmungen durch Hurrikan Harvey im Jahr 2017, die als nur alle 2000 Jahre auftretend eingestuft werden, sind darin nicht ausreichend abgebildet. Das Forschungsteam identifizierte das Beispiel von Wirbelstürmen deshalb als Testprojekt. Sie trainierten ein neuronales Netzwerk mit Wetterdaten, aus denen alle Wirbelstürme über Kategorie 2 entfernt wurden. Anschließend wurde das Modell mit Bedingungen konfrontiert, die zu einem Hurrikan der Kategorie 5 führen würden. „Das Ereignis wurde immer unterschätzt. Das Modell weiß, dass etwas bevorsteht, sagt aber immer nur einen Hurrikan der Kategorie 2 voraus“, fasst Yongqiang Sun, Wissenschaftler an der University of Chicago, das Ergebnis zusammen.
Warum KI bei Hurrikanwarnungen bislang eher schlecht abschneidet
Solche Fehleinschätzungen, die auch als falsch-negative Vorhersagen bekannt sind, stellen ein erhebliches Risiko dar. Wird ein Hurrikan der Kategorie 5 nicht erkannt, kann das katastrophale Folgen haben. Der Unterschied zu traditionellen Wettermodellen: Diese basieren auf physikalischen Gesetzmäßigkeiten und bilden die Dynamik der Atmosphäre ab. Künstliche Intelligenz hingegen analysiert Muster und Trends aus vergangenen Wetterdaten, ohne die zugrunde liegenden physikalischen Prozesse zu berücksichtigen.
Bislang nutzt kein großer Wetterdienst ausschließlich KI-Modelle für Prognosen. Dennoch steigt die Nutzung künstlicher Intelligenz, insbesondere für langfristige Risikoabschätzungen. Forschende setzen sie ein, um potenzielle Extremereignisse in verschiedenen Regionen zu identifizieren. Doch wenn die künstliche Intelligenz nur Ereignisse vorhersagen kann, die sie bereits „gesehen“ hat, bleibt ihr Nutzen für diese Aufgabe begrenzt. Interessanterweise zeigte die Studie, dass das Modell stärkere Hurrikane vorhersagen konnte, wenn entsprechende Daten aus anderen Weltregionen in den Trainingsdaten enthalten waren. „Das war ein überraschendes und ermutigendes Ergebnis: Es bedeutet, dass die Modelle ein Ereignis vorhersagen können, das in einer Region nicht auftrat, in einer anderen Region jedoch ab und zu auftrat“, sagt Hassanzadeh.
Neue Wege, wie künstliche Intelligenz in der Wettervorhersage besser wird
Die Forschenden schlagen vor, mathematische Methoden und physikalische Prinzipien stärker in KI-basierte Wettermodelle einzubinden. Die Hoffnung ist, dass künstliche Intelligenz dadurch auch seltene Extremereignisse besser vorhersagen kann. Wie genau dies gelingen kann, ist Gegenstand aktueller Forschung. Ein vielversprechender Ansatz ist das aktive Lernen: Hier unterstützt künstliche Intelligenz klassische physikbasierte Modelle dabei, gezielt mehr Beispiele für Extremwetter zu generieren, die dann zur Verbesserung des Trainings genutzt werden können.
Jonathan Weare, Professor am Courant Institute of Mathematical Sciences der New York University und Co-Autor der Studie, betont: „Längere simulierte oder beobachtete Datensätze reichen nicht aus. Wir müssen über intelligentere Wege zur Datengenerierung nachdenken.“ Die entscheidende Frage sei, wie Trainingsdaten platziert werden müssen, um die Leistung der künstlichen Intelligenz bei Extremereignissen zu verbessern.
Ein Beitrag von:
