Jeden Tag greift die Meteorologin Hannah Wangari auf die kostenlosen Grafiken und Karten der fünf von ihr abonnierten Vorhersagemodelle zurück und interpretiert das, was sie sieht. „Wie hoch ist die Regenwahrscheinlichkeit in verschiedenen Teilen des Landes?“ sie könnte sich fragen. „Wie viel davon wird voraussichtlich in den nächsten 24 Stunden fallen?“ Die schnelle und genaue Beantwortung solcher Fragen ist für die potenziell lebensrettende Arbeit, die sie und andere im Kenya Meteorological Department leisten, von entscheidender Bedeutung.
So wie der Klimawandel immer weiter voranschreitet häufigere und intensivere ExtremwetterereignisseDer Bedarf an schnelleren und präziseren Vorhersagen wird nur noch zunehmen. Heftige Regenfälle und Überschwemmungen richteten in diesem Jahr verheerende Schäden an, töteten Hunderte Menschen und zwangen unzählige weitere zur Flucht Vereinigte StaatenSpanien, Mitteleuropa und ein großer Teil Afrikas, wo über 7,2 Millionen Menschen betroffen sind. Ein Schätzungen zufolge starben in Kenia 267 Menschen allein und weitere 278.000 wurden vertrieben, als im vergangenen Jahr 42 der 47 Bezirke des Landes von Überschwemmungen heimgesucht wurden. Mit heftigen Stürmen, die voraussichtlich noch stärker werden 7 Prozent pro 1,8 Grad Fahrenheit Angesichts der Erwärmung ist die genaue Vorhersage, wann und wo solche Ereignisse eintreten werden, der Schlüssel zur Rettung von Leben und Lebensgrundlagen.
Doch das kann ein zeitaufwändiges und teures Unterfangen sein. Traditionelle Vorhersagen basieren auf einer Methode namens numerische Wettervorhersage. Diese in den 1950er Jahren entwickelte physikbasierte Technik erfordert mehrere Millionen–Dollar Supercomputer, die in der Lage sind, komplexe Gleichungen zu lösen, die atmosphärische Prozesse nachahmen. Die intensive Berechnung von Zahlen kann Stunden dauern, um eine einzige Prognose zu erstellen, und ist für viele Prognostiker, insbesondere in Entwicklungsländern, unerreichbar, so dass sie sich auf Daten verlassen müssen, die von anderen erstellt wurden.
Auf künstlicher Intelligenz basierende Tools werden zu einer schnelleren und in vielen Fällen genaueren Alternative, die einfach auf einem Laptop erstellt werden kann. Sie nutzen maschinelles Lernen Das Unternehmen greift auf 40 Jahre Open-Source-Wetterdaten zurück, um Muster zu erkennen und Trends zu identifizieren, die dabei helfen können, die Zukunft vorherzusagen. „Sie nutzen die Vergangenheit, um das Modell zu trainieren, um im Grunde die Physik zu lernen“, sagte die Informatikerin Amy McGovern, die das NSF AI Institute for Research on Trustworthy AI in Weather, Climate, and Coastal Oceanography an der University of Oklahoma leitet.
KI-gestützte Methoden, die von Unternehmen wie Google, der Universität Oxford und NVIDIA entwickelt wurden, können innerhalb von Minuten genaue Prognosen liefern, sodass Regierungen mehr Zeit haben, sich vorzubereiten und zu reagieren. „Häufigere Updates helfen Behörden dabei, sich schnell entwickelnde Bedingungen wie Sturmpfade zu überwachen“, sagte Dion Harris, der das Accelerated Data Center bei NVIDIA leitet, gegenüber Grist. „Dies verbessert die Entscheidungsfindung für Evakuierungsplanung, Infrastrukturschutz und Ressourcenzuweisung.“
Benutzer wie die staatlichen Meteorologen in Nairobi können diese Modelle mit lokalen Daten zu Bodentemperatur und -feuchtigkeit sowie kostenlosen Satellitendaten ergänzen, um Vorhersagen auf bestimmte geografische Gebiete zuzuschneiden. Das kenianische Meteorologische Ministerium arbeitet mit Oxford, dem Europäischen Zentrum für mittelfristige Wettervorhersagen, Google und dem Welternährungsprogramm an einem KI-Modell verbessert die Genauigkeit von Niederschlagsvorhersagen.
Von den fünf traditionellen Modellen, die das Kenya Meteorological Department verwendet, bieten vier nur die kostenlosen Diagramme und Karten, die Wangari so genau studiert. Der Zugriff auf Prognosedaten erfordert die Zahlung einer Lizenzgebühr oder den Besitz eines Supercomputers, mit dem Modelle ausgeführt werden können. Stattdessen analysieren sie und ihre Kollegen die Open-Source-Daten, die sie erhalten, um herauszufinden, was auf sie zukommt. Das mit Oxford entwickelte maschinelle Lernmodell ermöglicht es ihnen, tatsächliche Vorhersagedaten auszuwerten, um die Wahrscheinlichkeit extremer Wetterereignisse zu bestimmen. „Zum ersten Mal sind wir in der Lage, so genannte probabilistische Prognosen zu erstellen“, sagte sie. „Die Wahrscheinlichkeit, dass Menschen etwas unternehmen, ist höher, wenn man ihnen die Wahrscheinlichkeit gibt, dass etwas passiert.“
„Jetzt können wir Dinge sagen wie: ‚In dieser Region wird es in den nächsten 24 Stunden fünf Zentimeter Regen geben, und die Wahrscheinlichkeit, dass dieser Schwellenwert überschritten wird, liegt bei 75 Prozent‘, sagte sie.
KI-Modelle benötigen nur wenige Minuten, um eine Prognose zu erstellen, was die Möglichkeit bietet, viel mehr davon auszuführen und zu vermessen ein breiteres Spektrum möglicher Ergebnisse. Das ermöglicht es den Behörden, das zu spielen, was McGovern das „Was-wäre-wenn-Spiel“ nennt, und zu sagen: „Wenn das passiert, müssen wir dieses Gebiet evakuieren“ oder „Wenn das passiert, möchten wir vielleicht diese Maßnahme ergreifen.“ Sie können das wahrscheinlichste Szenario vorhersehen oder sich auf den schlimmsten Fall vorbereiten, indem sie beispielsweise Menschen mit Behinderungen präventiv evakuieren.
Die von Oxford entwickelte und von Wangari verwendete Methode des maschinellen Lernens hat sich bewährt effektiver als andere Methoden der Vorhersage von Niederschlägen. Das ist nicht ungewöhnlich. Googles GenCast, letzten Monat enthülltübertraf herkömmliche Prognosemodelle 97 Prozent von 1.320 Kennzahlen. Sein Vorgänger GraphCast hat es bewiesen genauer als das weltweit führende konventionelle Tool, das vom Europäischen Zentrum für mittelfristige Wettervorhersage betrieben wird. „KI liefert viel bessere Ergebnisse als die physikbasierten Modelle“, sagte Florian Pappenberger, stellvertretender Generaldirektor des Europäischen Zentrums, das noch in diesem Jahr ein eigenes KI-Modell auf den Markt bringen will. Das geht auch schneller. GenCast erstellte 15-Tage-Vorhersagen innerhalb von acht Minuten und NVIDIA behauptet, sein FourCastNet sei 45.000-mal schneller als numerische Wettervorhersagen.
KI hat sich auch bei der Vorhersage der Hurrikanspuren als genauer erwiesen. GraphCast hat korrekt vorhergesagt, wo Hurrikan Lee, der im September 2023 durch den Nordatlantik raste, neun Tage vor seinem Aufprall auf Nova Scotia landen würde – und drei Tage vor herkömmlichen Prognosemethoden, so ein Google-Wissenschaftler sagte der Financial Times. Zwei maschinell lernende Modelle haben die Route des Hurrikans Milton über den Golf von Mexiko genau vorhergesagt, obwohl sie die Windböen und den Luftdruck des Sturms unterschätzt haben, sagte Shruti Nath, Klimaforscherin am Oxford-Projekt. Es wird jedoch erwartet, dass sich diese Tools verbessern, wenn Fehler korrigiert und die Modelle verfeinert werden.
Natürlich sind Prognosen nur so nützlich wie die vorausschauenden Maßnahmen, zu denen sie führen. Forscher, die sie entwickeln, müssen mit lokalen Meteorologen und anderen mit regionalem Fachwissen zusammenarbeiten, um zu verstehen, was sie für Gemeinden bedeuten, und entsprechend reagieren zu können, sagte Nath.
Es bleibt die Frage, wie gut maschinelles Lernen Grenzfälle wie Jahrhundertüberschwemmungen vorhersagen kann, die außerhalb der Datensätze liegen, die zu ihrem Training verwendet wurden. Allerdings „spiegeln sie die Extreme tatsächlich viel besser wider, als viele von uns ursprünglich vorhergesagt hatten“, sagte Pappenberger. „Vielleicht haben sie mehr Physik gelernt, als wir angenommen hatten.“ Diese Tools liefern auch noch nicht alle Ergebnisse, die ein Meteorologe normalerweise verwendet, einschließlich Bewölkung, Nebel und Schneefall, aber Pappenberger ist zuversichtlich, dass dies mit der Zeit geschehen wird.
Benutzer können auch von Hybridmodellen wie NeuralGCM von Google profitieren, die maschinelles Lernen mit Physik kombinieren, ein Ansatz, der die Vorteile von KI, wie Geschwindigkeit, mit der Fähigkeit zur langfristigen Vorhersage und anderen Stärken der numerischen Wettervorhersage bietet.
Die verbesserten Prognosen sollen zwar dazu beitragen, auf den Klimawandel zu reagieren, sie bergen jedoch auch die Gefahr, zu ihm beizutragen. Die für den Betrieb von KI erforderlichen Rechenzentren verbrauchen so viel Energie, dass Unternehmen es mögen Google und Microsoft greifen auf Atomkraft zurück Pflanzen, die es bereitstellen. Dennoch sind auch die Supercomputer, die für die numerische Wettervorhersage erforderlich sind, energieintensiv, und GraphCast könnte 1.000-mal günstiger sein im Hinblick auf den Energieverbrauch.
Um das Potenzial der KI-Modelle zur Demokratisierung von Prognosen auszuschöpfen, ist McGovern der Ansicht, dass branchenübergreifende Zusammenarbeit von entscheidender Bedeutung sein wird. Die zum Trainieren der Modelle erforderliche Rechenleistung liegt in erster Linie bei der Industrie, während die Wissenschaft – die einen Großteil des Codes schreibt und ihn auf der öffentlichen Softwareplattform GitHub anbietet – den Luxus hat, keine vierteljährlichen Berichte bereitstellen zu müssen, und die Regierung „Der ultimative Endverbraucher weiß, was nötig ist, um Leben zu retten“, erklärte sie.
Derzeit arbeiten Forscher und Privatwirtschaft eng zusammen, um die Technologie weiterzuentwickeln. „Es gibt viel Zusammenarbeit, viel gegenseitiges Kopieren und der Versuch, sich auf der Grundlage dessen, was andere produziert haben, zu verbessern“, sagte Pappenberger. Viele dieser Tools stehen Forschern kostenlos zur Verfügung, für andere ist ihre Zugänglichkeit jedoch unterschiedlich kostenlos zu kostengünstig bis zu einem Preis, der von den verwendeten Funktionen oder dem Kauf bestimmter Hardware abhängt. Dennoch sind die Modelle billiger als ein Supercomputer und würden es Einrichtungen wie dem Kenya Meteorological Department ermöglichen, schnell und einfach Vorhersagen zu erstellen, die auf ihre lokalen Bedürfnisse zugeschnitten sind, und das zu einem Bruchteil der Kosten physikbasierter Modelle.
Um mit herkömmlichen Werkzeugen eine Prognose zu erstellen, die beispielsweise für Menschen in Nairobi oder Mombasa relevant ist, ist es erforderlich, in die Weltkarten hineinzuzoomen, um mehr Details zu erhalten, und anschließend viele Daten manuell zu analysieren. „Mit maschinellem Lernen können Sie eine Vorhersage für einen bestimmten Punkt erstellen, solange Sie die genauen Koordinaten haben“, sagte sie. Das wird es für sie und andere, die ähnliche Arbeiten ausführen, viel einfacher machen, zu sehen, was das Wetter bereithält, und letztendlich Leben zu retten.
