Neue mathematische Methoden zur Entschlüsselung der Meteorologie Afrikas

Maschinelles Lernen und statistische Emulatoren helfen, das komplexe Wetter und Klima im tropischen Afrika besser zu verstehen und vorherzusagen.

Afrika ist der größte Kontinent in den Tropen und die Heimat von über einer Milliarde Menschen, von denen viele von der Regenfeldwirtschaft abhängig sind. Bessere Wettervorhersagen, insbesondere für Niederschlag, sowie eine zuverlässigere Einschätzung des Klimawandels sind daher der Schlüssel zu einer besseren kurz- und langfristigen Planung. Leider haben viele vergangene Studien gezeigt, dass moderne Computermodelle erhebliche Schwierigkeiten haben, die komplexe Meteorologie des tropischen Afrikas realistisch darzustellen, welches mehr als andere Regionen durch starke, langlebige und intensive Gewitterkomplexe gekennzeichnet ist, die sich über Hunderte von Kilometern erstrecken. Die Erhöhung der räumlichen Auflösung dieser Modelle, was ihre Rechenkosten enorm erhöht, führt zwar zu messbaren Verbesserungen, scheint aber nicht die endgültige Lösung des Problems zu sein. „Es ist fast schon peinlich für unser Fach“, sagt Peter Knippertz, Leiter der Gruppe „Atmosphärische Dynamik“ am IMKTRO, „dass wir immer noch nicht in der Lage sind, einem großen Teil der afrikanischen Bevölkerung Vorhersagen zu liefern, die gut genug sind, um alltägliche Entscheidungen zu treffen.“

Mittlerer „Prognosefehler“ für eine eintägige Niederschlagsvorhersage [in mm] für das nördliche tropische Afrika im Zeitraum Juli-September 2011-2019. MPC ist eine einfache klimatologische Referenzvorhersage. EPS und EPS+EMOS sind die rohen und nachbearbeiteten Computermodellvorhersagen. Die neuen, auf maschinellem Lernen basierenden Vorhersagen, CNN+EasyUQ und Hybrid, übertreffen alle anderen Ansätze in allen Jahren deutlich. (entnommen aus Walz et al. 2024)

Um Fortschritte zu erzielen, hat die Gruppe in den letzten Jahren verstärkt mit Kollegen aus der Mathematik und verwandten Disziplinen zusammengearbeitet, um neue Ansätze für diese alte Herausforderung zu erforschen. Ein solcher Ansatz ist der so genannter „statistische Emulator“. Die Idee dahinter ist, dass Wetter- und Klimamodelle viele unsichere Parameter enthalten, wie zum Beispiel die Mischungseffizienz zwischen Gewitter- und Umgebungsluft. „Das Testen aller plausiblen Parameterkombinationen mit dem numerischen Computermodell ist zu kostspielig", sagt Matthias Fischer, Doktorand in der „Atmosphärische Dynamik“-Gruppe, der an einem Emulator für Afrika arbeitet. "Stattdessen wählen wir systematisch bestimmte Parameterkombinationen aus, um das numerische Modell laufen zu lassen. Anschließend erstellen wir ein statistisches Surrogat, um alle Abhängigkeiten und Empfindlichkeiten rechnerisch effizient darstellen zu können." Eine Veröffentlichung über diese Arbeit ist gerade in Weather and Climate Dynamics erschienen (Fischer et al. 2024). Eine Folgestudie, in der versucht wird, einen optimalen Parametersatz zu schätzen, indem die Ergebnisse des Emulators mit Beobachtungen verglichen werden, wird demnächst eingereicht.

Ein weiterer neuer Ansatz besteht darin, die herkömmlichen physikalisch basierten Wettervorhersagemodelle durch Algorithmen zu ersetzen, die auf klassischen statistischen Methoden oder maschinellem Lernen basieren. Ein erster erfolgreicher Versuch einer probabilistischen Vorhersage der Niederschlagshäufigkeit auf der Grundlage einer einfachen logistischen Regression und unter Verwendung von Niederschlagsfeldern der vergangenen Tage wurde bereits 2021 veröffentlicht (Vogel et al. 2021), gefolgt von einer wesentlichen Verfeinerung im Jahr 2023 (Rasheeda Satheesh et al. 2023). Derzeit arbeiten wir an ausgefeilteren Ansätzen des maschinellen Lernens, die als zusätzliche Prädiktoren aus Niederschlagsdaten gefilterte großräumige atmosphärische Wellen (Rasheeda Satheesh et al., wird demnächst eingereicht) oder zusätzliche atmosphärische Felder, wie z.B. vertikal integrierte Feuchtigkeit und konvektive Instabilität, berücksichtigen (Walz et al. 2024; siehe Abbildung). „Der Erfolg dieser neuen und relativ preiswerten Modelle ist phänomenal“, sagt Knippertz, „und wir arbeiten daran, solche Ansätze bald auch afrikanischen Meteorolog:innen zur Verfügung zu stellen.“

Referenzen

Fischer, M.; Knippertz, P.; van der Linden, R.; Lemburg, A.; Pante, G.; Proppe, C.; Marsham, J. H., 2024: Quantifying uncertainty in simulations of the West African monsoon with the use of surrogate models. Wea. Climate Dyn., 5, 511–536, doi:10.5194/wcd-5-511-2024.

Rasheeda Satheesh, A.; Knippertz, P.; Fink, A. H.; Walz, E.-M.; Gneiting, T., 2023: Sources of predictability of synoptic-scale rainfall during the West African summer monsoon. Quart. J. Roy. Meteorol. Soc., 149(757), 3721–3737, doi:10.1002/qj.4581 .

Vogel, P.; Knippertz, P.; Gneiting, T.; Fink, A. H.; Klar, M.; Schlueter, A., 2021: Statistical forecasts for the occurrence of precipitation outperform global models over northern Tropical Africa. Geophys. Res. Lett., 47, e2020GL091022, doi:10.1029/2020GL091022.

Walz, E.-M.; Knippertz, P.; Fink, A. H.; Köhler, G.; Gneiting, T., 2024: Physics-based vs. data-driven 24-hour probabilistic forecasts of precipitation for northern tropical Africa. Mon. Wea. Rev., in press, doi:10.1175/MWR-D-24-0005.1.