Experten bestätigen: "Die KI hat noch Schwierigkeiten, die tatsächliche Stärke von Hurrikanen vorherzusagen.“

Die künstliche Intelligenz hat die Wettervorhersage innerhalb weniger Jahre revolutioniert, und globale, auf KI basierende Wettermodelle können Vorhersagen liefern, die mit einigen der weltweit besten physikalisch basierten Vorhersagesystemen mithalten können.

In den letzten Jahren kam es zu einer raschen Zunahme einer großen Anzahl von Hurrikanen.

Der Fortschritt bei der Wettervorhersage durch den Einsatz von KI ist auf drei Faktoren zurückzuführen: die Verfügbarkeit riesiger Mengen an meteorologischen Daten, bedeutende Fortschritte bei den KI-Modellen und eine beispiellose Rechenleistung. Die Debatte konzentriert sich darauf, die KI für die Wettervorhersage durch neue Modelle oder Hardware zu verbessern, doch für diese Modelle sind die Daten von entscheidender Bedeutung.

Die künstliche Intelligenz profitiert weltweit von jahrzehntelangen meteorologischen Aufzeichnungen, die den gesamten Planeten abdecken. Dabei handelt es sich um Datensätze, die Millionen von Beispielen enthalten, wie sich die Bedingungen im Laufe der Zeit und unter verschiedenen atmosphärischen Bedingungen entwickeln, was es KI-Modellen ermöglicht, Muster auf eine Weise zu erlernen, das wäre vor nur einem Jahrzehnt noch unmöglich gewesen.

Die regionale Ebene der Wettervorhersagen

Weltweit ist eine rasante Zunahme einer großen Anzahl von Hurrikanen zu beobachten, die sich innerhalb weniger Stunden von relativ schwachen Stürmen zu zerstörerischen Hurrikanen entwickelt haben. Ein Beispiel dafür ist der Hurrikan Polo, der sich vor der mexikanischen Pazifikküste innerhalb von 24 Stunden von einem tropischen Sturm zu einem Hurrikan der Kategorie 5 schnell verstärkte, am 21. September letzten Jahres mit Windgeschwindigkeiten von 290 km/h.

Wettervorhersagen werden für die KI wesentlich komplexer, wenn man von der globalen auf die regionale Ebene wechselt. Dieser Unterschied spielt eine entscheidende Rolle bei der Vorhersage der Intensität von Hurrikanen.

Wettervorhersagen auf globaler Ebene sind nicht einheitlich; dennoch werden Vorhersagen zur Intensität von Hurrikanen in der Regel als ein regionales Vorhersageproblem im Zusammenhang mit Extremereignissen betrachtet: Starkregen, schwere Stürme oder heftige Windböen.

Darstellung der Stärke des Hurrikans Matthew anhand von Satellitendaten in Florida (2016). Quelle: NASA's Scientific Visualization Studio

Solche Extremereignisse entwickeln sich in der Regel sehr schnell oder verlagern sich innerhalb kurzer Zeiträume rasch. Die Herausforderung besteht darin, dieses Verhalten mit KI-Modellen zu erfassen, da die Erkennung dieser Muster Daten erfordert, deren Detailgenauigkeit weit über das hinausgeht, was aktuelle globale Datensätze in der Regel bieten.

Zwei Datenquellen

KI-Prognosen stützen sich im Wesentlichen auf zwei Informationsquellen:

Beobachtungen: direkt und detailliert, beschränken sich jedoch in der Regel auf Küstenregionen und sind ungleichmäßig verteilt, während viele der wichtigsten Entwicklungsphasen von Hurrikanen auf offener See stattfinden, wo solche Beobachtungen selten sind. Moderne Satelliten können zwar dazu beitragen, einige dieser Messungen zu ergänzen, sind jedoch nicht in der Lage, die gesamte dreidimensionale Struktur aller Hurrikane weltweit gleichzeitig zu erfassen.
Simulationen von Wettermodellen: kombinieren atmosphärische Bedingungen und physikalisches Wissen, um ein möglichst vollständiges dreidimensionales Bild der Atmosphäre in hoher Auflösung zu liefern. Auch diese simulierten Daten sind nicht perfekt, da alle Computermodelle Annäherungen und Unsicherheiten enthalten, die auf unvollständiges Wissen über die Erdatmosphäre zurückzuführen sind, und es kleinräumige Prozesse gibt, die von den Modellsimulationen nicht erfasst werden.

Folglich steht derzeit kein vollständiger, qualitativ hochwertiger dreidimensionaler Datensatz zur Verfügung, um ein KI-Modell zur Vorhersage der Stärke von Hurrikanen zu trainieren.

Ein weiteres Problem: das Chaos

Wenn Wissenschaftler in Zukunft jeden Sturm jede Sekunde vollständig messen könnten – und zwar Tausende von Stürmen weltweit –, wäre es möglich, dass die KI die Intensität eines Hurrikans nicht mit absoluter Genauigkeit vorhersagen könnte. Der Grund dafür wäre das Chaos, d. h. kleine Unterschiede im Anfangszustand eines Hurrikans, die sich im Laufe der Zeit schnell verstärken können.

Hurrikane können ein gewisses Maß an Unvorhersehbarkeit aufweisen, das KI-Modelle daran hindern könnte, die Intensität eines Hurrikans über längere Vorhersagezeiträume hinweg vorherzusagen.

Die Intensität eines Hurrikans kann durch warmes Meerwasser zunehmen, oder seine Entwicklung kann durch Windscherung verlangsamt werden. Steigt die Meerestemperatur, nimmt auch die potenzielle Stärke des Hurrikans zu, und jede noch so kleine Störung führt zu Schwankungen in der Stärke des Hurrikans. Je wärmer also die Meeresoberfläche ist, desto größer sind diese Schwankungen.

Die Meeresoberfläche weist insgesamt Temperaturen auf, die in der Geschichte der Messungen beispiellos sind. Dies führt zu einer zusätzlichen Unsicherheit, die schwer zu interpretieren ist.

Diese Schwankungen sind nicht nur zufällig; sie finden innerhalb eines sogenannten chaotischen Attraktors statt – einer Menge möglicher Sturmzustände, in die sich der Hurrikan auf unvorhersehbare Weise entwickeln kann, was ein grundlegendes Dilemma für das Training von KI-Modellen darstellt.

Ziele der beiden KI-Modelle

Wissenschaftler streben danach, dass KI-Modelle möglichst genaue Vorhersagen treffen; daher besteht das Ziel während des Trainings darin, die Abweichung zwischen der Vorhersage und dem tatsächlichen Ergebnis zu minimieren, bis das KI-Modell den geringstmöglichen Fehler erreicht.

Außerdem soll das KI-Modell das dem Hurrikan innewohnende Chaos erfassen. Wenn es einem KI-Modell jedoch gelingt, dieses Chaos zu erfassen, lässt sich sein Fehler nicht unbegrenzt reduzieren.

Ein KI-Modell kann den wahrscheinlichsten Verlauf eines Hurrikans erlernen und gleichzeitig die unvorhersehbaren Schwankungen glätten, doch diese beiden Ziele stehen im Widerspruch zueinander.

Da die Daten zudem immer mit einer gewissen Unsicherheit behaftet sind, sind die von einem KI-Modell erlernten Regeln nur Näherungswerte. Daher wird sich die Genauigkeit der Vorhersagen zur Stärke von Hurrikanen bereits nach wenigen Tagen verschlechtern.

Wie lassen sich Hurrikanvorhersagen verbessern?

Die Herausforderung für KI-Modelle beschränkt sich nicht darauf, mehr Daten zu sammeln, bessere neuronale Netze zu entwickeln oder schnellere Computer einzusetzen, sondern vielmehr darauf, das Verhalten von Hurrikanen zu verstehen und zu erkennen, wie es zu Schwankungen in ihrer Intensität kommt.

Beide Faktoren bestimmen, ob KI-Modelle lernen können, was vorhersehbar und was unvorhersehbar ist. Diese Unterscheidung schränkt die Genauigkeit unserer aktuellen Vorhersagen zur Hurrikanintensität ein und wird die nächste Generation von Wettervorhersage- und -bewertungssystemen bestimmen, die sich auf einen Bereich möglicher Hurrikanintensitäten und Eintrittswahrscheinlichkeiten konzentrieren sollten, anstatt auf einen einzigen numerischen Wert.