(spxChrome/Getty Images) Wenn es um den Wetterbericht geht, versuchen Meteorologen nicht nur das Wetter von morgen zu erkennen.
Neben langfristigen Vorhersagen haben Wettermodelle häufig die Aufgabe, die meteorologischen Bedingungen für die nächste Stunde oder so vorherzusagen, was als „Nowcasting“ bezeichnet wird. Drüben bei Google-unterstützt künstliche Intelligenz Mithilfe des Unternehmens DeepMind haben Forscher nun einen großen Schritt nach vorne in der Genauigkeit der Niederschlagsvorhersage gemacht.
Erst wenn man innehält und darüber nachdenkt, wird einem klar, wie wichtig sehr kurzfristige Wettervorhersagen sind – natürlich kann man ohnehin nur seinen Regenschirm mitbringen, aber wenn man Großveranstaltungen plant, Transportdienste aufrechterhält, mit Naturkatastrophen umgeht oder die Landwirtschaft am Laufen hält Und vieles mehr: Genaue Vorhersagen sind von entscheidender Bedeutung.
Insbesondere belegt das neue Modell im Vergleich zu zwei Wettbewerbsmethoden in 89 Prozent der Fälle den ersten Platz in Bezug auf Genauigkeit und Nützlichkeit. Es verwendet eine Art von maschinelles Lernen angerufen generative Modellierung , das in der Lage ist, neue Datenpunkte zu erzeugen, nachdem es auf vorhandenen Datenpunkten trainiert wurde.
Die Hauptaufgabe des neuen Modells namens DGMR (Deep Generative Model of Rainfall) besteht darin, die Niederschlagswahrscheinlichkeit in den nächsten ein bis zwei Stunden vorherzusagen – und es wurde von mehr als 50 Meteorologen genehmigt Met Office im Vereinigten Königreich.
Das System produziert kurze „Radarfilme“. (DeepMind)
„Diese Zusammenarbeit zwischen Umweltwissenschaften und KI konzentriert sich auf den Mehrwert für Entscheidungsträger, eröffnet neue Möglichkeiten für die Vorhersage des Regens und zeigt die Möglichkeiten der KI bei der Unterstützung unserer Reaktion auf die Herausforderungen der Entscheidungsfindung in einem Umfeld auf, das sich ständig verändert.“ ,‘ schreibt das DeepMind Nowcasting Team in einem Blogbeitrag .
Die Forscher hinter DGMR beschreiben die Erstellung kurzer „Radarfilme“, die zukünftige Radarmuster aus vergangenen Radarmustern generieren – die Art der Extrapolation, in der maschinelles Lernen gut ist (weitere generative Modelle finden Sie unter Erstellung von). falsche Gesichter ).
Viele aktuelle Nowcasting-Tools, darunter pySTEPS , Gebrauch machen von numerische Wettervorhersage (NWP)-Ansätze – sie setzen im Wesentlichen mathematische Modelle auf aktuelle Bedingungen ein, um herauszufinden, wie zukünftige Bedingungen aussehen werden. Dies sind leistungsstarke Modelle, die jedoch auf längere Sicht genauer sind.
„Diese Modelle sind im Hinblick auf die Wettervorhersage von sechs Stunden bis zu etwa zwei Wochen wirklich erstaunlich, aber es gibt einen Bereich – insbesondere um null bis zwei Stunden –, in dem die Modelle besonders schlecht abschneiden“, sagt Suman Ravuri, wissenschaftlicher Mitarbeiter bei DeepMind , erzählt Der Wächter .
DGMR zielt darauf ab, die enorme Zahlenverarbeitungsleistung der künstlichen Intelligenz zu nutzen und gleichzeitig einen Teil der Unschärfe oder Unbestimmtheit bestehender, auf maschinellem Lernen basierender Prognosemodelle zu beseitigen U-Netz – Bei diesen Modellen kann es schwierig sein, die Genauigkeit in jedem Teil des Prozesses aufrechtzuerhalten.
Nachdem das neue und verbesserte DeepMind-Modell nun von echten Meteorologen im Vereinigten Königreich gelobt wird, können die Forscher eine Integration in bestehende Wettervorhersagesysteme in Betracht ziehen.
Bis Sie mit absoluter Sicherheit wissen, ob Sie in den nächsten Stunden trocken bleiben, liegt jedoch noch viel Arbeit vor Ihnen. Das DeepMind-Team versucht nun, die Genauigkeit von DGMR weiter zu verbessern.
„Keine Methode ist ohne Einschränkungen und es bedarf weiterer Arbeit, um die Genauigkeit langfristiger Vorhersagen und die Genauigkeit seltener und intensiver Ereignisse zu verbessern.“ schreibt das Team .
„Zukünftige Arbeiten erfordern, dass wir zusätzliche Methoden zur Leistungsbewertung entwickeln und diese Methoden weiter auf bestimmte reale Anwendungen spezialisieren.“
Die Forschung wurde veröffentlicht in Natur .