KI verrät exakt, wo und wie stark es regnet
Um Überschwemmungen oder Erdrutsche besser vorhersagen zu können, werden globale Klimamodelle benötigt, die Starkregenereignisse frühzeitig erkennen. Eine Lösung könnte KI sein. Karlsruher Forschende haben eine Methode entwickelt, mit der dies viel genauer möglich ist als mit den gängigen Klimamodellen.
Im Zuge des Klimawandels, ist immer häufiger Starkregen zu erwarten. Um Katastrophen wie im Ahrtal zu vermeiden, wäre es wichtig, vorher zu wissen, wie stark der Regen ist und wo genau er runterkommt.
Foto: Panthermedia.net/digidream
Durch den Klimawandel wird es wahrscheinlich in Zukunft noch häufiger zu starken Regenfällen kommen. Um auf Katastrophen wie Hochwasser oder Erdrutsche besser vorbereitet zu sein, braucht globale Klimamodelle. In einer Studie zeigen Forschende des Karlsruher Instituts für Technologie (KIT) erstmals eine Methode auf Basis Künstlicher Intelligenz (KI), mit der sich die Genauigkeit der von globalen Klimamodellen erzeugten groben Niederschlagsfelder erhöhen lässt. Ihnen gelang es, die räumliche Auflösung von Niederschlagsfeldern von 32 auf zwei Kilometer und die zeitliche von einer Stunde auf zehn Minuten zu verbessern.
Anpassung an ein sich änderndes Klima notwendig
Wie bereits geschrieben, werden durch die steigenden Durchschnittstemperaturen extreme Niederschläge weiter zunehmen. Das ist zumindest die allgemeine Erwartung unter vielen Forschenden. Die Folge: Es wird noch häufiger zu Umweltkatastrophen wie der im Ahrtal kommen. Wichtig ist es daher, sich auf ein sich änderndes Klima vorzubereiten und bereits im Vorfeld zu wissen, wo und wie stark es in den einzelnen Gebieten regnen wird.
„Niederschläge sind sowohl räumlich als auch zeitlich sehr variabel und daher schwer vorherzusagen – insbesondere auf lokaler Ebene“, sagt Dr. Christian Chwala vom Institut für Meteorologie und Klimaforschung – Atmosphärische Umweltforschung (IMK-IFU), dem Campus Alpin des KIT in Garmisch-Partenkirchen. „Deshalb wollen wir die Auflösung von Niederschlagsfeldern, wie sie zum Beispiel von globalen Klimamodellen erzeugt werden, erhöhen und damit vor allem ihre Einordnung bezüglich möglicher Bedrohungen wie Flutkatastrophen verbessern.“
Feinere Auflösung = bessere Prognosen
Bisherige globale Klimamodelle verwenden ein recht grobkörniges Raster, so dass sich die Variabilität der Niederschläge nur ungenau darstellen lässt. Mit extremen Recheneinsatz lassen sich zwar auch hochaufgelöste Niederschlagskarten erzeugen, das geht aber nur räumlich und zeitlich begrenzt. Hier kommt dann die KI ins Spiel, die das wesentlich weniger rechenintensiv hinbekommt.
„Wir haben deshalb ein Generatives Neuronales Netz – GAN genannt – aus dem Bereich der Künstlichen Intelligenz entwickelt und es mit hochauflösenden Radarniederschlagsfeldern trainiert. Das GAN lernt dabei, wie es realistische Niederschlagsfelder und deren zeitliche Abfolge aus grob aufgelösten Daten generiert“, erklärt Luca Glawion vom IMK-IFU. „So ist das Netz in der Lage, aus den sehr grob aufgelösten Karten realistische hochaufgelöste Radarniederschlagsfilme zu erstellen.“
Nach Auskunft des Forschungsteam zeigen die verfeinerten Radarkarten unter anderem, wie sich Regenzellen entwickeln und bewegen. Darüber hinaus sind die Karten aber auch in der Lage, präzise die lokalen Regenstatistiken mit entsprechender Extremwertverteilung zu rekonstruieren.
Mithilfe von KI erstellen Forschende des KIT aus grob aufgelösten Karten hochaufgelöste Radarfilme, um etwa lokale Niederschläge besser vorhersagen zu können.
Foto: Luca Glawion, KIT
Deep-Learning-Methode ist wesentlich schneller
Wie sich zeigte, konnte die KI nicht nur hochaufgelöste Niederschlagskarten erzeugen, sie schaffte es zudem wesentlich schneller als es mit numerischen Wettermodellen möglich ist. „Unsere Methode dient als Grundlage, um grob gerasterte Niederschlagsfelder auf eine Auflösung zu bringen, die der hohen raum-zeitlichen Variabilität von Niederschlag gerecht wird und die Untersuchung regionaler Auswirkungen erst ermöglicht“, sagt Julius Polz vom IMK-IFU. „Unsere Deep-Learning-Methode ist dabei um mehrere Größenordnungen schneller als die Berechnung solch hochaufgelöster Niederschlagsfelder mit numerischen Wettermodellen, die üblicherweise genutzt werden, um Daten von globalen Klimamodellen regional zu verfeinern.“
Laut Forschungsteam generiert die KI-Methode zudem ein Ensemble verschiedener möglicher Niederschlagsfelder. Dies ist wichtig, da es für jedes grob aufgelöste Niederschlagsfeld mehrere physikalisch plausible, hochaufgelöste Entsprechungen gibt. Ein solches Ensemble hilft, ähnlich wie in der Wettervorhersage, die damit verbundene Unsicherheit präziser zu bestimmen.
Zukunftsprognosen für eine sich klimatisch verändernden Welt
Die Studie hat gezeigt, dass das von den Forschenden entwickelte KI-Modell und die methodische Grundlage in Zukunft den Einsatz von neuronalen Netzen ermöglichen, um die Genauigkeit von Klimamodellen bei der Vorhersage von Niederschlägen zu verbessern. Dies würde eine genauere Darstellung und Analyse von Niederschlagsmustern in einem sich wandelnden Klima ermöglichen.
„Im nächsten Schritt werden wir die Methode auf globale Klimasimulationen anwenden, die spezifische Großwetterlagen in eine zukünftige, klimatisch veränderte Welt übertragen – etwa in das Jahr 2100. Durch die höhere Auflösung der mit unserer Methode simulierten Niederschlagsereignisse lässt sich dann besser abschätzen, wie sich beispielsweise die Wetterlage, die 2021 das Hochwasser an der Ahr verursacht hat, in einer zwei Grad wärmeren Welt ausgewirkt hätte“, erklärt Glawion. Solche Informationen seien entscheidend, um Maßnahmen für eine nachhaltige Klimaanpassung entwickeln zu können.
Ein Beitrag von:
