Nvidia-Forscher haben das KI-Modell "StormCast" entwickelt, das Gewittervorhersagen auf einer Skala von wenigen Kilometern ermöglicht.
Bisher war es für KI-Modelle eine Herausforderung, die komplexe Dynamik der Atmosphäre auf dieser feinen Skala abzubilden. Die Forscher kombinierten für StormCast deshalb zwei Innovationen: Zum einen setzen sie auf ein generatives Modell, das viele mögliche Entwicklungen simulieren kann. Zum anderen prognostiziert StormCast einen dichten atmosphärischen Zustand mit Dutzenden von vertikalen Schichten.
StormCast ahmt das hochauflösende Modell "High-Resolution Rapid Refresh" (HRRR) nach, das derzeit vom amerikanischen Wetterdienst NOAA verwendet wird. Es prognostiziert dafür 99 Zustandsvariablen auf einer Skala von 3 Kilometern in stündlichen Zeitschritten. Dabei werden insbesondere die untersten Schichten der Atmosphäre berücksichtigt.
Nvidias StormCast erreicht Qualität von aktuell besten Vorhersagen
In Tests zeigte StormCast eine ähnliche Vorhersagequalität wie das HRRR-Modell. Die Wahrscheinlichkeiten für leichten, mäßigen und starken Regen stimmten bis zu 6 Stunden im Voraus gut überein. Auch die Entwicklung von Gewitterzellen, Auf- und Abwinde sowie Kaltluftströmungen unter Gewittern wurden von StormCast realistisch wiedergegeben.
Ein Vorteil des KI-Ansatzes ist, dass Ensembles, also Gruppen von leicht variierten Vorhersagen, einfach erstellt werden können. Bereits mit fünf Ensemblemitgliedern war StormCast dem einzelnen HRRR-Lauf überlegen. Solche Ensembles sind mit klassischen Wettermodellen sehr rechenintensiv.
Einige Herausforderungen bleiben: Unter anderem sollten zukünftige Modelle auf mehr Trainingsdaten und größeren Gebieten lernen. Auch die Kalibrierung der Ensembles kann noch verbessert werden.
Dennoch ebnen die Ergebnisse den Weg für eine neue Generation von hochauflösenden, KI-gestützten Wettermodellen, ist das Team überzeugt. Solche Modelle könnten Meteorologen helfen, gefährliche Gewitter noch genauer und schneller vorherzusagen und so Schäden und Todesopfer zu vermeiden. Auch für lokale Klimaprognosen seien solche Modelle vielversprechend.
