Auf maschinellem Lernen basierende Wettervorhersagen jetzt auf kit-weather.de verfügbar

Seit mehr als sechs Jahrzehnten haben sich die Wettervorhersagen auf der Grundlage numerischer Modelle, die physikalische Gleichungen lösen, kontinuierlich verbessert. Diese "stille Revolution"[1] lässt sich unter anderem auf ein besseres Beobachtungssystem, eine bessere Assimilation von Beobachtungsdaten, eine bessere Darstellung physikalischer Prozesse im Modell und stetig wachsende Rechenressourcen zurückführen. In den letzten drei Jahren hat ein Paradigmenwechsel stattgefunden, der in den letzten 12 Monaten seinen Höhepunkt erreicht hat: Anstelle von Forschungseinrichtungen und Wetterdiensten haben große Technologieunternehmen wie Google, NVIDIA, Microsoft und Huawei Wettervorhersagesysteme entwickelt, die auf Algorithmen des maschinellen Lernens basieren und mit jahrzehntelangen meteorologischen Daten trainiert wurden. Das Erstaunliche ist, dass diese Modelle für einige, vor allem größere meteorologische Skalen eine ähnliche oder sogar höhere Vorhersagequalität erreichen als die numerischen Wettervorhersagemodelle der weltweit führenden Vorhersagezentren. Und das bei Rechenkosten, die um mehrere Größenordnungen niedriger sind.

Für die IMK-eigene Website kit-weather.de bieten wir nun 7-Tage-Vorhersagen mit dem von Huawei entwickelten Pangu-Weather Algorithmus [2] an. Dieses Modell wurde mit sogenannten Reanalysedaten der letzten 40 Jahre trainiert, die vom Europäischen Zentrum für mittelfristige Wettervorhersage bereitgestellt wurden. Ausgehend von der operationellen Analyse des Deutschen Wetterdienstes (DWD) ermöglicht das Modell nun, kostengünstige und energiesparende Vorhersagen zu erstellen. Auf den Hochleistungsrechnern des Scientific Computing Center des KIT verbraucht eine globale 7-Tage-Vorhersage mit Pangu-Weather 14 Wattstunden (ein mittelgroßes Elektroauto verbraucht diese Energie bei einer Fahrstrecke von 90 m). Im Gegensatz dazu würde der Energieverbrauch für eine Vorhersage mit einem numerischen Wettervorhersagemodell 30.000 Wattstunden betragen (ein Elektroauto verbraucht diese Energie bei einer Fahrstrecke von 200 km). Diese Schätzung für Pangu-Weather berücksichtigt jedoch weder die Energie, die für die Generierung der Trainingsdaten benötigt wird, noch den Energiebedarf für das Training selbst. Dennoch ist die Entwicklung rein datengestützter Wettervorhersagesysteme eine weitere Revolution, wenn auch schneller und vielleicht weniger still als die erste. Sie eröffnet viele spannende Forschungsmöglichkeiten, die in zukünftigen Projekten am IMK-TRO wie TEEMLEAP (A new TEstbed for Exploring Machine LEarning in Atmospheric Prediction) und dem ERC-finanzierten Projekt ASPIRE (Advancing Sub-seasonal PredIctions at Reduced computational Effort) erforscht werden.

[1] Bauer, P., Thorpe, A. & Brunet, G. The quiet revolution of numerical weather prediction. Nature 525, 47–55 (2015). https://doi.org/10.1038/nature14956

[2] Bi, K., Xie, L., Zhang, H., Chen, X., Gu, X., Tian, Q. Pangu-Weather: A 3D High-Resolution Model for Fast and Accurate Global Weather Forecast. (2022). https://arxiv.org/abs/2211.02556