Wetterprognosen sind immer so ein Thema für sich, da ihre Zuverlässigkeit teilweise doch arg schwankend ausfällt. Ein neues KI-Modell, das die Google-Tochter DeepMind entwickelt hat, soll in Zukunft deutlich präzisere Wetterprognosen möglich machen. Das GenCast getaufte Modell wurde mit Wetterdaten aus insgesamt 40 Jahren trainiert und soll deutlich präziser als klassische Prognosemethoden sein – und dabei das Wetter bis zu 15 Tage im Voraus voraussagen können.


Ist die KI herkömmlichen Systemen überlegen?

Wettervorhersagen sind in den letzten zwei Jahrzehnten deutlich besser und präziser geworden. Dafür sorgten sowohl ein besseres Verständnis der komplexen Vorgänge in unserer Atmosphäre und in den Gewässern als auch die Möglichkeit, diese besser simulieren zu können. Dennoch kommt es auch heute noch regelmäßig vor, dass Meteorologen mit ihren Vorhersagen daneben liegen. Und auch Extremwetterereignisse wie sehr starke Regenfälle oder Stürme sind teilweise nur sehr schwer vorauszusagen. Die Google-Tochter DeepMind will dies ändern und hat mit GenCast eine künstliche Intelligenz entwickelt, die in der Lage sein soll, das Wetter besser und präziser vorherzusagen als bisherige Methoden.


Nach Angaben von Google selber soll GenCast in Tests bis zu 20 Prozent besser abgeschnitten haben als die Ensemble-Forecast-Methoden des European Centre for Medium-Range Weather Forecasts. Dieser gilt aktuell als der genaueste Wetterdienst der Welt. Dieses Ergebnis erstreckte sich sowohl auf kurzfristige als auch auf längerfristige Wetterprognosen. GenCast soll in der Lage sein, dass Wetter für einen Zeitraum von bis zu 15 Tagen zuverlässig vorherzusagen. Die meisten anderen Vorhersagemethoden beschränken sich auf zehn Tage. „Outperforming ENS marks something of an inflection point in the advance of AI for weather prediction. At least in the short term, these models are going to accompany and be alongside existing, traditional approaches„, so Ilan Price, einer der an dem Projekt beteiligten Forscher:innen.

Genauere Vorhersagen in Minutenschnelle

Herkömmliche Vorhersagemethoden nutzen eine Vielzahl von Gleichungen, um zu Vorhersagen über das Wetter zu gelangen. GenCast wurde dagegen mit historischen Daten über die Entwicklung von Wetter trainiert, die sich über einen Zeitraum von 40 Jahren erstrecken – von 1979 bis 2018. Die Daten umfassten unter anderem Windgeschwindigkeit, Temperature, Luftdruck und -feuchte sowie dutzende anderer Variablen.

Normale Wettervorhersagemethoden laufen auf Supercomputern und benötigen mehrere Stunden, um zu einem Ergebnis zu kommen. GenCast benötigte auf einer einzelnen Google Cloud TPU, einem Chip, der speziell für maschinelles Lernen entwickelt wurde, etwa acht Minuten.

Google hat bereits in der Vergangenheit mehrere KI-Modelle für Wettervorhersagen vorgestellt. Im Juli diesen Jahres kündigte das Unternehmen etwa NeuralGCM vor, ein Projekt, in dem herkömmliche physikalische Methoden mit künstlicher Intelligenz kombiniert wurde, um langfristige Klimavorhersagen treffen zu können. 2023 stellte DeepMind GraphCast vor, das Modell, auf denen das aktuelle GenCast-Modell aufbaut.

KI-Systeme sind im Grunde eine gigantische BlackBox

Ähnlich wie etablierte Methoden erstellt auch GenCast mehrere mögliche Wetterlagen, denen dann Wahrscheinlichkeiten zugewiesen werden. Dies bezeichnet man als probalistische Vorhersagen. In Tests sollen die Gen-Cast-Vorhersagen bei 1.320 Vorhersagen in 92,2 Prozent der Fälle überlegen gewesen sein. Bei Vorhersagen, die mindestens 36 Stunden in der Zukunft lagen, waren es sogar 99,8 Prozent. Die GenCast-Vorhersagen umfassen 12-Stunden-Schritte in einem Quadrat von 28 mal 28 Kilometern Größe.

GenCast basiert dabei auf sogenannten Diffusionsmodellen, die ihren Ursprung in der Physik und Statistik, insbesondere in der Thermodynamik haben. Diese wurden ursprünglich verwendet, um die Verteilung von Gasen zu bestimmen. Diffusionsmodelle sind allerdings auch die Grundlage für KI-Modelle, die Bilder, Videos und Musik erzeugen.

KI-Modelle wie GenCast sind zwar eine vielversprechende Entwicklung, wenn es um die Vorhersage von Wetter geht, aber es ist auch eine gewisse Skepsis angebracht. Es ist unmöglich nachzuvollziehen, was genau ein KI-System lernt, wenn es mit großen Datenmengen trainiert wird. Die komplexen Lernprozesse von KI-Modellen machen zwar die Erkennung von Zusammenhängen möglich, die Menschen verborgen bleiben, bergen aber auch die Gefahr, dass Scheinkausalitäten in die Vorhersagen einbezogen werden.

via Google DeepMind

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.