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.

- Vorhersagezeit
- 5–90 Minuten
- Fachliche Prüfung
- Mehr als 50 Fachleute des Met Office
- Ansatz
- Mehrere plausible zukünftige Radarbilder
So funktioniert die Idee
Jüngste Radarbilder lesen
Radarsequenzen zeigen Bewegung und Veränderung des Regens.
Mögliche Fortsetzungen erzeugen
Das Modell erzeugt zusammenhängende zukünftige Regenmuster.
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.
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.
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.
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.
Die Originalquellen
- Ravuri et al., arXiv; published in NatureSkillful Precipitation Nowcasting using Deep Generative Models of Radar
- NatureSkilful precipitation nowcasting using deep generative models of radar
- Google DeepMindNowcasting the next hour of rain
- Met OfficeA framework for data science in the Met Office 2022–2027