Microsoft hat ein neues quelloffenes Machine-Learning-Tool vorgestellt, das die Genauigkeit von Wettervorhersagen für Zeiträume von zwei bis sechs Wochen signifikant verbessern soll. Die Methode, genannt Probabilistic Bias Correction (PBC), wurde heute in der Fachzeitschrift Nature veröffentlicht. Sie zielt darauf ab, bestehende Wettermodelle durch die Korrektur systematischer Verzerrungen präziser zu machen.
Verbesserung der Langzeitprognosen
Herkömmliche physikbasierte Wettervorhersagen und selbst neuere KI-Modelle werden typischerweise nach zwei Wochen unzuverlässig. Microsoft-Forscher behaupten, dieses Problem mit Machine Learning gelöst zu haben. Ihr neuer, kostengünstiger Ansatz ermöglicht präzisere Vorhersagen für zwei bis sechs Wochen im Voraus, was Landwirten und Katastrophenhelfern eine bessere Planungssicherheit bieten kann.
Das Unternehmen reiht sich damit in eine Reihe von Tech-Firmen wie Google und Nvidia ein, die ebenfalls KI-Tools für die Wettervorhersage entwickeln. Anstatt ein komplett neues Wettermodell zu schaffen, nutzt Microsofts Ansatz Machine Learning, um systematische Fehler (sogenannte Bias) in vorhandenen Modellen zu korrigieren. Dies soll ressourcenbeschränkten Wetterdiensten einen zugänglicheren Weg bieten, ihre Genauigkeit mittels KI zu verbessern.
Wie PBC systematische Fehler korrigiert
Physikbasierte und KI-basierte Modelle stoßen bei Vorhersagen über zwei Wochen hinaus auf ähnliche Probleme. Traditionelle Modelle simulieren die komplexe Physik der Erdatmosphäre, während KI-Modelle Muster in historischen Daten suchen. Beide Ansätze verlassen sich auf Annäherungen, um Datenlücken zu füllen – sei es in Regionen mit wenigen Wetterstationen oder bei komplexen atmosphärischen Phänomenen, die noch nicht vollständig verstanden sind. Diese Annäherungen können zu systematischen Verzerrungen führen, deren Fehler sich bei längerfristigen Vorhersagen potenzieren.
Microsofts Methode PBC verwendet Machine Learning, um solche systematischen Verzerrungen zu identifizieren und zu korrigieren. Ein Beispiel ist die Korrektur von Klimaveränderungen: Während Treibhausgasemissionen den Planeten erwärmen, könnten Wettermodelle, die auf älteren historischen Daten basieren, Vorhersagen mit einer Tendenz zu kälteren Temperaturen treffen, als sie tatsächlich herrschen. Laut Lester Mackey, Senior Principal Researcher bei Microsoft Research New England, kann das neue Tool auf CPUs laufen, was seine Ressourceneffizienz und die Zuverlässigkeit von Vorhersagen, insbesondere für Extremwetter, erheblich verbessern soll.
Zugänglichkeit und erste Erfolge
Die Forscher stellten fest, dass PBC die Genauigkeit eines führenden physikbasierten Wettermodells des Europäischen Zentrums für mittelfristige Wettervorhersagen (ECMWF) bei Niederschlagsprognosen um 98 Prozent und bei Temperaturprognosen um 92 Prozent verbesserte. Das Machine-Learning-Framework verdoppelte zudem die Genauigkeit des neuen KI-Vorhersagesystems des ECMWF in der Analyse der Studie. Das ECMWF hatte die Forschung der Autoren zu PBC bereits vor der Veröffentlichung des Papers in seinem AI Weather Quest Wettbewerb ausgezeichnet.
Matthew Chantry, strategischer Leiter für Machine Learning beim ECMWF, kommentierte, dass das neue Papier ein gutes Beispiel für die Entwicklung neuer Ideen zum Nutzen der Gemeinschaft sei. Er fügte hinzu, dass die Umsetzung von Ideen in einen operativen Prozess stets der anspruchsvollste Schritt sei.
Genevieve Flaspohler, eine der Autorinnen des Papers, betont die Leichtgewichtigkeit und einfache Trainierbarkeit von Modellen wie PBC. Dies soll Wissenschaftlern ohne große Ressourcenpools ermöglichen, diese Modelle zu konfigurieren und ihre Leistung in spezifischen Regionen zu verbessern. Flaspohler ist heute Executive Director der gemeinnützigen Organisation Rhiza Research, die mit Unterstützung der Gates Foundation mit dem kenianischen Wetterdienst zusammenarbeitet. Dort wird PBC getestet, um genauere Frühwarnungen für die Bevölkerung zu ermöglichen, insbesondere im Hinblick auf eine voraussichtlich extremere Regenzeit während eines Rekord-El-Niño-Phänomens.
Thema: Google. Quelle/Inspiration: The Verge.