Forschende der University of Washington haben die seit Jahrzehnten geltende Grenze der Wettervorhersage gesprengt. Mit einer optimierten Version des KI-Modells GraphCast von Googles KI-Sparte DeepMind gelangen ihnen präzise Wetterprognosen für bis zu 33 Tage, mehr als doppelt so lange wie bisher für möglich gehalten.
Das Team nutzte eine durchaus raffinierte Methode: Sie verbesserten die Startdaten von GraphCast durch maschinelles Lernen. Dabei verglichen sie Vorhersagen mit historischen Wetterdaten und passten die Anfangswerte schrittweise an, bis die Prognosen möglichst genau wurden. Das Ergebnis übertraf alle Erwartungen.
Bei 732 getesteten Wetterlagen aus dem Jahr 2020 reduzierten die optimierten Startbedingungen den Vorhersagefehler nach zehn Tagen um durchschnittlich 86 Prozent. Selbst bei 30-Tage-Prognosen blieb die Genauigkeit statistisch signifikant. Kein einziger Optimierungsversuch scheiterte, die Verbesserungen lagen zwischen 77 und 91 Prozent.
Die Forscher testeten ihre Methode auch mit dem konkurrierenden KI-Modell Pangu-Weather von Huawei. Hier zeigten sich immerhin noch 21 Prozent Verbesserung, was etwa einem Jahrzehnt Fortschritt in der traditionellen Wettervorhersage entspricht.
Die optimierten Anfangsbedingungen offenbarten interessante Muster: Sie verstärkten systematisch die Hadley-Zirkulation, ein globales Windsystem zwischen Äquator und Subtropen. Dies deutet auf strukturelle Schwächen in den aktuellen Wetterdaten hin.
Seit Edward Lorenz in den 1960ern den „Schmetterlingseffekt“ beschrieb, galt eine 14-tägige Vorhersagegrenze als physikalisches Gesetz. Die neuen Ergebnisse stellen diese Annahme grundlegend in Frage und eröffnen völlig neue Perspektiven für die Meteorologie.
Wenn euch Wetterexperten im TV erzählen wollen, wie das Wetter in ein paar Monaten aussieht, sollte das nicht geglaubt werden. Auch das eben beschrieben Projekt zeigt, dass die Prognose von mehreren Wochen schon eine enorme Herausforderung darstellt.
via Heise