Neue Studie der University of Chicago testet, wie gut KI extreme und ungewöhnliche Wetterereignisse vorhersagen kann

Forscher der University of Chicago untersuchten, ob KI-Modelle mit extremen Wetterüberraschungen umgehen können - Ereignisse, die so selten sind, dass sie in den Daten, die zum Trainieren der Modelle verwendet wurden, noch nie aufgetreten sind.

Die Forscher fanden heraus, dass die Fähigkeit der KI, seltene Wetterextreme vorherzusagen, entscheidende Einschränkungen aufweist.

Künstliche Intelligenz verändert die Art und Weise, wie wir das Wetter vorhersagen, und verspricht schnellere und energieeffizientere Vorhersagen. Aber kann sie auch das einfangen , was noch nie zuvor gesehen wurde? Eine neue Studie hat sich auf die Suche nach der Antwort gemacht und getestet, wie gut die KI funktioniert, wenn die Atmosphäre die Regeln bricht.

KI-Prognosen sind schnell, aber nicht immer genau

Wissenschaftler der University of Chicago haben in Zusammenarbeit mit der NYU und der UC Santa Cruz getestet, ob hochmoderne KI-Modelle die Art von extremen Wetterereignissen vorhersagen können, die in historischen Daten nur selten vorkommen.

Ihre Ergebnisse, die in den Proceedings of the National Academy of Sciences veröffentlicht wurden, zeigen , dass diese Modelle Schwierigkeiten haben, wenn sie mit Bedingungen konfrontiert werden, die außerhalb des Rahmens der historischen Daten liegen. Diese "grauen Schwäne" sind Ereignisse wie Überschwemmungen, die nur einmal in 2.000 Jahren auftreten, oder rekordverdächtige Wirbelstürme, dieeine ernsthafte Herausforderung für die Vorhersage darstellen , da sie außerhalb der Muster liegen, für die KI-Modelle normalerweise trainiert werden.

Die Studie der University of Chicago zeigt, dass KI-Modelle Schwierigkeiten haben, Hurrikane der Kategorie 5 vorherzusagen, wenn ähnliche Stürme in den Trainingsdaten fehlen.

Das Team trainierte ein KI-Modell namens FourCastNet auf jahrzehntelangen globalen Wetterdaten, wobei Hurrikane der Kategorien 3 bis 5 absichtlich ausgeschlossen wurden. Bei Tests mit realen Bedingungen, die zu einem Sturm der Kategorie 5 führten, unterschätzte das Modell wiederholt die Intensität des Sturms und sagte oft nur die Kategorie 2 voraus.

Der leitende Forscher Pedram Hassanzadeh erklärte, dass die KI-Modelle zwar mit Supercomputern bei der Vorhersage des alltäglichen Wetters mithalten können, aber bei den noch nie dagewesenen.

Aus der Vergangenheit lernen - aber nur, wenn es sie gibt

KI-Modelle erkennen Muster in historischen Daten, um vorherzusagen, was wahrscheinlich als Nächstes passieren wird. Dieser Ansatz funktioniert gut bei Routinewetter, hat aber Probleme, genaue Vorhersagen zu treffen, wenn seltene oder extreme Ereignisse- wie die stärksten Wirbelstürme - in den Trainingsdaten fehlen.

„Die durch den Hurrikan Harvey im Jahr 2017 verursachten Überschwemmungen galten beispielsweise als ein Ereignis, das nur einmal in 2.000 Jahren auftritt“, so Hassanzadeh.

Wenn Ereignisse wie Harvey nicht in den historischen Aufzeichnungen vorhanden sind, können KI-Systeme sie möglicherweise nicht vorhersehen.

Überraschenderweise stellten die Forscher fest, dass das Modell auch dann noch einigermaßen genaue Vorhersagen machen konnte, wenn ähnliche Ereignisse anderswo auf der Welt auftraten. Selbst wenn beispielsweise die Daten für die atlantischen Stürme entfernt wurden, konnte das Modell die atlantischen Hurrikane anhand von Sturmdaten aus dem Pazifik vorhersagen.

Dennoch warnen die Forscher, dass diese Umgehung keine Garantie für die Genauigkeit bei wirklich neuen Extremen ist, insbesondere da der Klimawandel zu immer unvorhersehbarerem Wetter führt.

Verknüpfung von KI und Physik für bessere Prognosen

Herkömmliche Wettermodelle stützen sich stark auf die Physik und verwenden Gleichungen, um zu simulieren, wie sich die Atmosphäre verhält. KI-Modelle wie FourCastNet arbeiten dagegen eher wie ein prädiktiver Text: Sie wissen nicht, warum etwas passiert, sondern nur, dass es aufgrund früherer Beispiele wahrscheinlich ist.

Um die Zuverlässigkeit der KI zu verbessern, empfiehlt das Team, sie mit physikalischer Modellierung zu kombinieren. Ein Ansatz, der als aktives Lernen bezeichnet wird, sieht vor, dass die KI dabei hilft, synthetische Beispiele für extreme Wetterlagen zu generieren, um künftige Modelle zu trainieren. Dadurch könnte die KI lernen, seltene, aber gefährliche Muster besser zu erkennen.

Die Schlussfolgerung? KI wird herkömmliche Vorhersagen in absehbarer Zeit nicht ersetzen, aber die Kombination mit der Physik könnte dazu beitragen, die Lücke zu schließen und die Warnungen vor extremem Wetter zu verbessern.

Quellenhinweis:

Baker, E. “University of Chicago analyzes AI’s ability to predict unprecedented weather events”https://www.meteorologicaltechnologyinternational.com/news/numerical-weather-prediction/university-of-chicago-analyzes-ais-ability-to-predict-unprecedented-weather-events.html