In einer aktuellen Studie mit dem Titel „Learning skillful medium-range global weather forecasting“ haben Google-Forscher im Fachblatt Science einen vielversprechenden Fortschritt in der Wettervorhersage vorgestellt. Die Methode namens „GraphCast“ basiert auf maschinellem Lernen und wurde direkt aus Reanalyse-Daten trainiert. Die Ergebnisse deuten darauf hin, dass GraphCast die Genauigkeit von Wettervorhersagen signifikant verbessern könnte.
Hintergrund
Inhalt
Traditionelle numerische Wettervorhersage (NWP) verwendet zunehmende Rechenressourcen, um die Genauigkeit der Vorhersagen zu verbessern. Allerdings werden historische Wetterdaten nicht direkt verwendet, um das zugrunde liegende Modell zu verbessern. GraphCast dagegen wird direkt aus Reanalyse-Daten trainiert und kann Hunderte von Wettervariablen über zehn Tage mit einer globalen Auflösung von 0,25° in weniger als einer Minute vorhersagen.
Wie GraphCast funktioniert
GraphCast nimmt die beiden letzten Zustände des Wetters der Erde – die aktuelle Zeit und sechs Stunden zuvor – als Eingabe und sagt den nächsten Zustand des Wetters sechs Stunden später voraus. Es verwendet eine „Graph Neural Network“ (GNN)-Architektur mit insgesamt 36,7 Millionen Parametern. Diese Architektur ermöglicht eine effiziente lokale und globale Informationsübertragung und verbessert so die Vorhersagegenauigkeit.
Leistung im Vergleich zu traditionellen Methoden
Die Forscher verglichen die Leistung von GraphCast mit dem High RESolution forecast (HRES), dem aktuell genauesten deterministischen operationellen System der Welt. Die Ergebnisse zeigen, dass GraphCast auf 90,3% der 1380 überprüften Ziele besser abschnitt und HRES in 89,9% der Fälle signifikant übertraf. Besonders beeindruckend war GraphCasts Fähigkeit, schwere Wetterereignisse wie tropische Zyklone, atmosphärische Flüsse und extreme Temperaturen besser vorherzusagen.
Ausblick
GraphCast könnte eine bedeutende Neuerung in der präzisen und effizienten Wettervorhersage darstellen. Durch die Verwendung von maschinellem Lernen und die direkte Integration historischer Daten könnte es neue Möglichkeiten eröffnen, komplexe dynamische Systeme zu modellieren. Es bleibt jedoch wichtig zu beachten, dass trotz der vielversprechenden Ergebnisse weitere Schritte unternommen werden müssen, um probabilistische Vorhersagen zu entwickeln und Unsicherheiten angemessen zu berücksichtigen.
