Künstliche Intelligenz (KI) verändert schnell die Landschaft der Klima- und Wettervorhersage sowie die Bewertung und das Management von Naturgefahrenrisiken. Mit den Fortschritten in den Techniken des maschinellen Lernens (ML), insbesondere bei fortschrittlichen Deep-Learning (DL)-Modellen, und der zunehmenden Verfügbarkeit großer Datensätze erhalten KI-basierte Technologien immer mehr Aufmerksamkeit aufgrund ihres Potenzials, Frühwarnsysteme zu revolutionieren. Die AML-Gruppe nutzt modernste maschinelle Lernmethoden, um die Genauigkeit und Zuverlässigkeit von Wettervorhersagen über verschiedene Zeitskalen hinweg zu verbessern, von der Nowcasting- bis zur sub-saisonalen Vorhersage. Diese Arbeit ist von enormem Wert für Branchen, die auf präzise Wetterinformationen angewiesen sind, wie Landwirtschaft, Transport und Katastrophenmanagement. Indem sie die Grenzen traditioneller Vorhersagetechniken verschieben, ermöglichen ihre Bemühungen genauere Vorhersagen von Wetterereignissen, wodurch die Vorbereitung und Reaktion über ein breiteres Zeitfenster hinweg verbessert wird.
Modellierung von Niederschlag und Abfluss
Die Anpassung an den Klimawandel erfordert ein intelligentes Management von Wasserressourcen und Wasserstraßeninfrastruktur. Wir betreiben ein Modell, das die Wassermenge in Flüssen vorhersagt, indem es Wettervorhersagen mit Standortinformationen aus verschiedenen Karten kombiniert. Diese Informationen können direkt genutzt werden, um lokale Hochwasserwarnungen zu erstellen oder Logistik auf Wasserstraßen zu planen. Das Modell ist flexibel und kann auch für andere Anwendungsfälle angepasst werden, beispielsweise die Vorhersage der Bodenfeuchte für die Landwirtschaft oder für die Erstellung von Waldbrandwarnungen.
Downscaling
Downscaling (Feinauflösung) in Klima-Anwendungen bezeichnet den Prozess der Umwandlung grob aufgelöster Ausgaben globaler Klimamodelle (GCMs) oder Wettervorhersagen in hochaufgelöste Daten, die für lokale oder regionale Analysen geeignet sind. Da GCMs typischerweise auf Gittern mit Auflösungen im Bereich von mehreren zehn bis hundert Kilometern arbeiten, fehlt ihnen die räumliche Detailgenauigkeit, die für Folgenabschätzungen in Bereichen wie Landwirtschaft, Wasserwirtschaft oder Katastrophenschutz erforderlich ist. Es gibt zwei Hauptansätze: dynamisches Downscaling, bei dem regionale Klimamodelle innerhalb von GCMs eingebettet werden, und statistisches (oder empirisches) Downscaling, das Zusammenhänge zwischen großräumigen und lokalen Variablen aus historischen Daten lernt. In jüngerer Zeit haben sich maschinelles Lernen und generative Modelle wie Diffusionsmodelle als leistungsstarke Werkzeuge für das statistische Downscaling etabliert, da sie flexible, probabilistische Rahmenwerke zur Erzeugung von feinräumigen Klimadaten bieten. Diese Methoden sind insbesondere für Anwendungen von großem Wert, die realistische, hochaufgelöste Szenarien auf Basis grob aufgelöster Vorhersagen erfordern, wie etwa bei sub-saisonalen bis saisonalen (S2S) Prognosen.
Die Arbeitsgruppe für angewandtes maschinelles Lernen (AML) hat umfangreiche Arbeiten zum Downscaling mit Diffusions-basierten Modellen durchgeführt. Im Kontext von S2S-Vorhersagen wurde das multimodale Diffusionsmodell DiffScale [1] entwickelt. DiffScale ist ein konditionales Diffusionsmodell, das speziell für das dynamische Downscaling von sub-saisonalen bis saisonalen Wetterprognosen konzipiert wurde. Es lernt, grob aufgelöste Klimavorhersagen in hochaufgelöste Ausgaben zu überführen, indem es den Übergang als score-basierten Diffusionsprozess modelliert. Das Modell nutzt räumliche und zeitliche Muster in den Eingangsdaten, um feinräumige Details zu generieren, die mit physikalischen Dynamiken übereinstimmen. Durch die Konditionierung auf niedrig aufgelöste Vorhersagen erzeugt DiffScale realistische, hochqualitative Wetterszenarien auf feiner Skala. Dieser Ansatz stellt eine probabilistische, datengetriebene Alternative zu traditionellen Downscaling-Methoden dar und verbessert die Auflösung ohne explizite physikalische Modellierung.
Deep-Learning-basierte Nachbearbeitung für S2S-Vorhersagen
Die saisonale bis sub-saisonale (S2S) Vorhersage spielt eine entscheidende Rolle bei der Planung in Sektoren wie Energie, Wassermanagement und Landwirtschaft. Diese Vorhersagen sind jedoch herausfordernd, da die Vorhersagbarkeit zwischen kurzfristigen Wetterprognosen (ca. 10 Tage) und saisonalen Klimaprojektionen begrenzt ist. Die Genauigkeit der S2S-Vorhersagen wird sowohl durch die inhärente Unvorhersehbarkeit der chaotischen Systeme der Erde als auch durch Fehler in numerischen Modellen eingeschränkt, die von verschiedenen Unsicherheiten beeinflusst werden, einschließlich derjenigen, die mit den Anfangsbedingungen und den Modellparametrisierungen zusammenhängen. Diese Unsicherheiten führen zu systematischen und zufälligen Fehlern, die sich schnell im Laufe der Zeit verstärken.
Genauere sub-saisonale Vorhersagen der Bodenfeuchtigkeit sind entscheidend, um die Vorhersagen von Schnell-Trockenperioden zu verbessern, die sich im Gegensatz zu traditionellen Dürren auf kürzeren Zeitskalen entwickeln und intensivieren. Wir verwenden einen hybriden Modellansatz, der numerische Wettervorhersagen mit Deep-Learning (DL)-Modellen kombiniert. Dieser Ansatz korrigiert nicht nur Fehler in den sub-saisonale Vorhersagen, sondern verbessert auch deren räumliche Auflösung, was detailliertere und zuverlässigere Vorhersagen ermöglicht.
Nowcasting
Nowcasting ist die sehr kurzfristige Vorhersage atmosphärischer Bedingungen für die nächsten Minuten bis wenige Stunden. Es ist entscheidend für die rechtzeitige Ausgabe von Unwetterwarnungen, einschließlich Tornados, Sturzfluten und Hagelstürmen. Das Nowcasting von Niederschlag und Extremwetterbedingungen ist im Wetterbereich besonders herausfordernd, da die zugrunde liegenden Prozesse stark nichtlinear und chaotisch sind.
Da viele Phänomene von konventionellen Methoden nicht hinreichend erfasst werden, bietet Deep Learning einen vielversprechenden Ansatz, um mit den im Wetterbereich verfügbaren großen Datenmengen umzugehen. Wir entwickeln multimodale generative Modelle zur präzisen Quantifizierung von Unsicherheiten, indem wir Datenquellen wie Radarreflektivität, hochauflösende Satellitenbilder sowie physikalische Variablen wie Windgeschwindigkeit, Luftfeuchtigkeit und Temperatur integrieren.
