Modell basierend auf maschinellem Lernen zur Vorhersage von Hagel in Deutschland

Ein CNN-basiertes Modell prognostiziert erfolgreich die täglich von Hagel betroffene Fläche in Deutschland unter Verwendung von Reanalyse und Radardaten

Hagelstürme stellen ein erhebliches Risiko in Deutschland dar (Abbildung 1). Sie verursachen hohe wirtschaftliche Schäden und machen präzise Vorhersagen für rechtzeitige Warnungen erforderlich. In dieser Studie untersuchen Wissenschaftler des IMKTRO aus den Forschungsgruppen „Atmosphärische Risiken“, „Atmosphärische Dynamik“ und „Meteorologische Datenwissenschaft“ das Potenzial von maschinellem Lernen – insbesondere sogenannten Convolutional Neural Networks (CNNs) – zur Vorhersage der täglich von Hagel betroffenen Gebiete in Deutschland. Diese Gebiete wurden anhand von Radardaten für den Zeitraum 2005 bis 2019 identifiziert.

 

Abbildung 1: Akkumulierte Hageltage, abgeleitet aus der Radarreflektivität des DWD-Radarnetzwerks über Deutschland von 2005 bis 2019.

Zu Beginn der Studie werden 18 meteorologische Parameter, die mit Gewittern zusammenhängen, als mögliche Vorhersagefaktoren für Hagel analysiert. Diese Werte stammen aus dem ERA5-Reanalyse-Datensatz. Durch eine gezielte Auswahl der wichtigsten Einflussgrößen werden schließlich sieben zentrale Parameter identifiziert. Einer davon, CAPESHEAR, kombiniert Informationen über die verfügbare Energie für Gewitter (CAPE) und die vertikale Windscherung. Er stellt sich als der wichtigste Faktor für die Hagelvorhersage heraus (Abbildung 2). „Das maschinelle Lernmodell wird mit herkömmlichen Methoden verglichen und zeigt insbesondere bei schweren Hagelereignissen eine deutlich bessere Vorhersagegüte“, erklärt Siyu Li, Hauptautorin der Studie.

Abbildung 2: (a) Vom Hagel betroffene Fläche, vorhergesagt anhand der Umgebungsbedingungen um 12 UTC im Testzeitraum (2018–2019) während der Hagelsaison; die blaue durchgezogene Linie stellt die ML-Vorhersage dar, während die schwarze gestrichelte Linie die Beobachtung zum Vergleich zeigt. (b) Modellleistung in Bezug auf den mittleren absoluten Fehler (MAE) als Funktion der Trainingsiterationen (Epochen) während der Validierungsperiode mit verschiedenen Werten von α. Die MAE-Werte sind für Z-normalisierte Daten angegeben und daher einheitslos

Um zu verstehen, wie das Modell seine Entscheidungen trifft, wird eine Methode aus dem Bereich „Erklärbare Künstliche Intelligenz“ (Explainable AI, XAI) angewandt. Die Ergebnisse bestätigen, dass CAPESHEAR die größte Rolle in den Vorhersagen spielt. Allerdings ist das Modell weniger zuverlässig, wenn CAPESHEAR-Werte niedrig sind oder wenn Hagelstürme nur vereinzelt auftreten. Diese Erkenntnisse zeigen, dass die CNN-Methode zwar eine erhebliche Verbesserung gegenüber traditionellen Vorhersagemethoden darstellt, aber durch regionale Anpassungen und genauere Klassifizierungen der Hagelstärke weiter optimiert werden könnte.

„Ein großer Vorteil dieser Methode sind die niedrigen Rechenkosten, die sie zu einer vielversprechenden Option für den operationellen Einsatz macht“, sagt Siyu Li. „Zukünftige Forschung könnte sich darauf konzentrieren, regionale Unterschiede genauer zu berücksichtigen und die Klassifizierung der Hagelstärke weiter zu verfeinern, um das Modell noch besser für praktische Vorhersagen nutzbar zu machen.“

Diese Studie zeigt das Potenzial von künstlicher Intelligenz in der Meteorologie und wie maschinelles Lernen dazu beitragen kann, Wettergefahren besser vorherzusagen und zu verstehen. Durch die Nutzung meteorologischer Parameter, die mit Gewittern zusammenhängen, stellt diese Methode einen wichtigen Fortschritt für genauere und schnellere Hagelwarnungen dar.

Den vollständigen Artikel finden Sie unter: https://www.frontiersin.org/journals/earth-science/articles/10.3389/feart.2025.1527391/full