Zurück zu Bigger Picture

BIGGER PICTURE Katastrophenvorsorge

Einen Starkregen vorhersagen, ohne ihn weichzuzeichnen

Ein generatives Wettermodell löst ein schwieriges Problem: Der Mittelwert mehrerer möglicher Gewitter kann eine glatte Vorhersage ergeben, die so nie eintritt.

KI-generierte Illustration: Konzeptbild einer Regenwolke mit transparenten möglichen Folgepositionen über einem Tal.
Darstellung einer Regenwolke mit transparenten möglichen Folgepositionen über einem Tal.KI-generierte Illustration der Idee, keine Aufnahme der tatsächlichen Personen, Geräte oder Ereignisse.
Vorhersagezeit
5–90 Minuten
Fachliche Prüfung
Mehr als 50 Fachleute des Met Office
Ansatz
Mehrere plausible zukünftige Radarbilder

So funktioniert die Idee

  1. Jüngste Radarbilder lesen

    Radarsequenzen zeigen Bewegung und Veränderung des Regens.

  2. Mögliche Fortsetzungen erzeugen

    Das Modell erzeugt zusammenhängende zukünftige Regenmuster.

  3. Vergleichen und einordnen

    Fachleute beurteilen Ort, Intensität und Unsicherheit.

Ein verschwommenes Gewitter kann das Gefährliche verstecken

Eine Wettervorhersage muss zeigen, wo in der nächsten Stunde intensiver Regen möglich ist, nicht nur, ob die Region feucht wird. Manche maschinellen Prognosen verschwimmen mit größerem Vorlauf. Werden mögliche Gewitterpositionen gemittelt, verschwinden gerade die Spitzen, die für Starkregen, Verkehr und örtliche Überflutungen wichtig sind.

Belege: [1][3]

Plausible Wetterverläufe erzeugen und prüfen

DeepMind und das Met Office entwickelten DGMR für mehrere realistische Fortsetzungen jüngster Radarbeobachtungen. Statt einer geglätteten Antwort zeigt das System mögliche Entwicklungen des Regens. Die Vorhersagen reichen von fünf bis neunzig Minuten. Geprüft werden sowohl numerische Güte als auch die fachliche Plausibilität der entstehenden Strukturen.

Belege: [1][3][4]

Die späteren Anwender prüften mit

Mehr als fünfzig Meteorologinnen und Meteorologen des Met Office verglichen das Modell systematisch mit zwei Alternativen. Sie bevorzugten die generativen Vorhersagen deutlich hinsichtlich Genauigkeit und Nutzen. Der Begleitbericht zur endgültigen Veröffentlichung nennt 89 Prozent Erstpräferenz. Diese Zahl beschreibt die fachliche Auswahl im Vergleich, nicht die Wahrscheinlichkeit einer korrekten zukünftigen Vorhersage.

Belege: [3][4]

Nützliche Unsicherheit statt scheinbarer Genauigkeit

Das Met Office beschreibt die Arbeit als Demonstration mit Prüfung gegen Standardverfahren. Sie belegt einen nützlichen Prognoseansatz, nicht, dass genau dieses Modell von 2021 heute öffentliche Warnungen ausgibt oder einen bezifferten Schaden verhindert hat. Übertragbar ist die Darstellung von Unsicherheit, ohne die physische Intensität möglicher Ereignisse zu verwischen.

Belege: [4][1]

Die Originalquellen

  1. Ravuri et al., arXiv; published in NatureSkillful Precipitation Nowcasting using Deep Generative Models of Radar
  2. NatureSkilful precipitation nowcasting using deep generative models of radar
  3. Google DeepMindNowcasting the next hour of rain
  4. Met OfficeA framework for data science in the Met Office 2022–2027

Was Sie als Nächstes entdecken können

Welche Gewitterzelle auf dem Bildschirm wird gefährlich?Der Grundriss eines Chips lässt sich lernen
Alle 99 Anwendungen entdecken