AI übertrifft traditionelle Modelle: Schnelle und präzise Vorhersage von Wetter und Klimawandel

Künstliche Intelligenz verändert die Landschaft der Wettervorhersage und Klimasimulation grundlegend. Diese Spitzentechnologie bringt revolutionäre Veränderungen in die traditionellen Methoden der Wettervorhersage und Klimaforschung. Die Anwendung von KI verbessert nicht nur die Genauigkeit und Effizienz der Vorhersagen, sondern bietet auch neue Perspektiven und Werkzeuge für die Erforschung des Klimawandels. Dieser technologische Fortschritt gestaltet die Art und Weise, wie wir atmosphärische Phänomene verstehen und vorhersagen, neu und eröffnet neue Entwicklungsperspektiven für die Meteorologie und Klimawissenschaft.

Daten der Weltorganisation für Meteorologie (WMO) zeigen, dass in den letzten 50 Jahren durchschnittlich täglich eine Wetter-, Klima- oder wasserbezogene Katastrophe aufgetreten ist, die pro Ereignis etwa 115 Todesopfer und wirtschaftliche Verluste von 202 Millionen Dollar verursacht hat.

Noch alarmierender ist, dass der durch menschliche Aktivitäten beschleunigte Klimawandel in den letzten Jahren zu einer abnormalen Zunahme extremer Wetter- und Klimakatastrophen wie Hitzewellen, Kältewellen, Starkniederschlägen und Dürren geführt hat.

Daher kann eine zeitnahe und genaue Wettervorhersage und Klimasimulation nicht nur jedes Jahr zehntausende Leben retten, sondern auch die katastrophalen Auswirkungen extremer Wetter- und Klimaereignisse auf die menschliche Gesellschaft und Ökosysteme reduzieren.

Nun hat ein künstliches Intelligenz (KI)-Modell namens NeuralGCM, entwickelt vom Google Research-Team und seinen Mitarbeitern, die Wettervorhersage und Klimasimulation auf ein neues Niveau gehoben:

  • NeuralGCMs Genauigkeit für 1-15-Tage-Vorhersagen ist vergleichbar mit der des Europäischen Zentrums für mittelfristige Wettervorhersage (ECMWF), das über das weltweit fortschrittlichste traditionelle physikalische Wettervorhersagemodell verfügt.
  • Für 10-Tage-Vorhersagen schneidet NeuralGCM genauso gut oder besser ab als bestehende KI-Modelle.
  • Mit der Einbeziehung der Meeresoberflächentemperatur stimmen NeuralGCMs 40-Jahres-Klimavorhersageergebnisse mit den globalen Erwärmungstrends überein, die in ECMWF-Daten gefunden wurden.
  • NeuralGCM übertrifft auch bestehende Klimamodelle bei der Vorhersage von Zyklonen und deren Bahnen.

Bemerkenswert ist, dass NeuralGCM nicht nur die Genauigkeit bestehender traditioneller numerischer Wettervorhersagemodelle und anderer maschineller Lernmodelle (ML) erreicht oder übertrifft, sondern auch deutlich schneller ist und in der Lage ist, 22,8 Tage atmosphärische Simulation in 30 Sekunden Rechenzeit zu generieren. Es kann auch Größenordnungen an Rechenressourcen im Vergleich zu traditionellen Modellen einsparen.

Die zugehörige Forschungsarbeit mit dem Titel "Neural general circulation models for weather and climate" wurde in der renommierten wissenschaftlichen Zeitschrift Nature veröffentlicht.

Diese Ergebnisse zeigen zusammen, dass NeuralGCM deterministische Wetter-, Wetter- und Klima-Ensemble-Vorhersagen generieren kann und ausreichende Stabilität für langfristige Wetter- und Klimasimulationen aufweist.

Das Forschungsteam glaubt, dass dieser End-to-End-Deep-Learning-Ansatz mit den Aufgaben kompatibel ist, die von traditionellen allgemeinen Zirkulationsmodellen (GCMs, die physikalische Prozesse in der Atmosphäre, den Ozeanen und an Land darstellen und die Grundlage für Wetter- und Klimavorhersagen bilden) durchgeführt werden, und großskalige physikalische Simulationen verbessern kann, die für das Verständnis und die Vorhersage des Erdsystems entscheidend sind.

Darüber hinaus kann NeuralGCMs hybrider Modellierungsansatz auf andere wissenschaftliche Bereiche angewendet werden, wie Materialentdeckung, Proteinfaltung und multiphysikalisches Ingenieurdesign.

Die Reduzierung der Unsicherheit in langfristigen Vorhersagen und die Einschätzung extremer Wetterereignisse sind der Schlüssel zum Verständnis von Klimaschutz und -anpassung.

ML-Modelle wurden lange als alternatives Mittel zur Wettervorhersage betrachtet, mit dem Vorteil, Rechenkosten zu sparen. Sie haben sogar das Niveau von atmosphärischen Zirkulationsmodellen in der deterministischen Wettervorhersage erreicht oder übertroffen. Allerdings schneiden sie bei langfristigen Vorhersagen oft schlechter ab als atmosphärische Zirkulationsmodelle.

In dieser Arbeit hat das Forschungsteam NeuralGCM entwickelt, indem es maschinelles Lernen und physikalische Methoden kombinierte und ML-Komponenten verwendete, um traditionelle physikalische Parametrisierungsschemata in GCMs zu ersetzen oder zu korrigieren. Es besteht aus den folgenden Schlüsselteilen:

  1. Differenzierbarer dynamischer Kern: Dieser Kern ist für die Lösung diskretisierter dynamischer Gleichungen verantwortlich und simuliert großskalige Fluidbewegungen und thermodynamische Prozesse, die von Schwerkraft, Corioliskraft und anderen Faktoren beeinflusst werden. Der dynamische Kern verwendet horizontale pseudo-spektrale Diskretisierung und vertikale Sigma-Koordinaten und ist mit der JAX-Bibliothek implementiert, die automatische Differenzierung unterstützt. Er simuliert sieben Vorhersagevariablen: horizontale Windvortizität, horizontale Winddivergenz, Temperatur, Oberflächendruck und drei Wassersubstanzen (spezifische Feuchtigkeit, Eiswolkenwassergehalt und flüssiger Wolkenwassergehalt).

  2. Lernende Physikmodul: Dieses Modul verwendet die Einzelsäulenmethode in GCMs und nutzt nur Informationen aus einer einzelnen atmosphärischen Säule, um den Einfluss unaufgelöster Prozesse innerhalb dieser Säule vorherzusagen. Es verwendet ein vollständig verbundenes neuronales Netzwerk mit Residualverbindungen, das Gewichte über alle atmosphärischen Säulen teilt. Die Eingaben des neuronalen Netzwerks umfassen Vorhersagevariablen in der atmosphärischen Säule, die gesamte einfallende Sonnenstrahlung, die Meereiskonzentration und die Meeresoberflächentemperatur sowie horizontale Gradienten der Vorhersagevariablen. Die Ausgabe des neuronalen Netzwerks ist der Trend der Vorhersagevariablen, skaliert mit der unbedingten Standardabweichung des Zielfeldes.

  3. Encoder und Decoder: Da ERA5-Daten in Druckkoordinaten gespeichert sind, während der dynamische Kern ein Sigma-Koordinatensystem verwendet, werden Encoder und Decoder für die Umwandlung benötigt. Diese Komponenten führen lineare Interpolation zwischen Druckniveaus und Sigma-Koordinatenniveaus durch und verwenden die gleiche neuronale Netzwerkarchitektur wie das gelernte Physikmodul zur Korrektur. Der Encoder kann Gravitationswellen eliminieren, die durch Initialisierungsschocks verursacht werden, und so eine Kontamination der Vorhersageergebnisse vermeiden.

Die Ergebnisse zeigen, dass NeuralGCM leistungsstarke Fähigkeiten in der Wettervorhersage demonstriert, vergleichbar mit modernsten Modellen auf ultrakurzen, kurzen und mittleren Zeitskalen. Zum Beispiel:

Ultrakurzfristige Vorhersage (0-1 Tag):

  • Generalisierungsfähigkeit: Im Vergleich zu GraphCast schneidet NeuralGCM unter untrainierten Wetterbedingungen besser ab, da es lokale neuronale Netzwerke verwendet, um physikalische Prozesse in atmosphärischen vertikalen Säulen vorherzusagen.

Kurzfristige Vorhersage (1-10 Tage):

  • Genauigkeit: Bei kurzfristigen Vorhersagen von 1-3 Tagen schneiden NeuralGCM-0.7° und GraphCast am besten ab und verfolgen Änderungen in Wettermustern genau.
  • Physikalische Konsistenz: Im Vergleich zu anderen maschinellen Lernmodellen sind NeuralGCMs Vorhersagen klarer und vermeiden physikalisch inkonsistente unscharfe Vorhersagen.
  • Interpretierbarkeit: Durch die Diagnose von Niederschlag minus Verdunstung sind NeuralGCMs Ergebnisse besser interpretierbar und erleichtern die Analyse von Wasserressourcen.
  • Geostrophisches Windgleichgewicht: Im Vergleich zu GraphCast simuliert NeuralGCM geostrophische Winde und deren vertikale Struktur und Verhältnisse genauer.

Mittelfristige Vorhersage (7-15 Tage):

  • Ensemble-Vorhersage: NeuralGCM-ENS mit 1,4° Auflösung hat niedrigere Ensemble-Durchschnitts-RMSE-, RMSB- und CRPS-Fehler als ECMWF-ENS, was auf seine Fähigkeit hinweist, mögliche durchschnittliche Wetterzustände besser zu erfassen.
  • Kalibrierbarkeit: NeuralGCM-ENS's Ensemble-Vorhersagen haben, wie ECMWF-ENS, ein Dispersions-Skill-Verhältnis von etwa 1, was eine notwendige Bedingung für kalibrierte Vorhersagen ist.

Neben hervorragenden Leistungen in der Wettervorhersage zeigt NeuralGCM auch starke Fähigkeiten in der Klimasimulation, einschließlich der Simulation des Jahreszyklus, der Simulation tropischer Zyklone und der Simulation historischer Temperaturtrends. Zum Beispiel:

Simulation des Jahreszyklus:

  • Genauigkeit: NeuralGCM kann Jahreszyklen genau simulieren, einschließlich jährlicher Zyklen des globalen ausfällbaren Wassers und der globalen Gesamtkinetischen Energie, sowie wichtige atmosphärische Dynamiken wie die Hadley-Zirkulation und zonale Mittelwinde.
  • Vergleich mit globalen wolkenauflösenden Modellen: Im Vergleich zum globalen wolkenauflösenden Modell X-SHiELD hat NeuralGCM kleinere Abweichungen im ausfällbaren Wasser und geringere Temperaturabweichungen in tropischen Regionen.

Simulation tropischer Zyklone:

  • Bahnen und Anzahl: Selbst bei einer groben Auflösung von 1,4° kann NeuralGCM tropische Zyklonbahnen und -zahlen ähnlich wie ERA5 produzieren, während das globale wolkenauflösende Modell X-SHiELD die Anzahl tropischer Zyklone bei 1,4° Auflösung unterschätzt.

Simulation historischer Temperaturtrends:

  • AMIP-Simulation: NeuralGCM-2.8° führte eine 40-jährige AMIP-Simulation durch. Die Ergebnisse zeigen, dass alle Simulationen den globalen Erwärmungstrend, der in ERA5-Daten beobachtet wurde, genau erfassen, und die jährlichen Temperaturtrends eine starke Korrelation mit ERA5-Daten aufweisen, was darauf hindeutet, dass NeuralGCM die Auswirkungen der Meerestemperaturzwänge auf das Klima effektiv simulieren kann.
  • Vergleich mit CMIP6-Modellen: Im Vergleich zu CMIP6 AMIP-Modellen hat NeuralGCM-2.8° kleinere Temperaturabweichungen während 1981-2014, selbst nach Entfernung der globalen Temperaturabweichung der CMIP6 AMIP-Modelle.

Obwohl NeuralGCM leistungsstarke Fähigkeiten in der Wetter- und Klimavorhersage demonstriert, hat es immer noch einige Einschränkungen:

  1. Begrenzte Fähigkeit zur Vorhersage zukünftiger Klimate: NeuralGCM kann derzeit keine zukünftigen Klimate vorhersagen, die sich signifikant von historischen Klimaten unterscheiden. Wenn die Meeresoberflächentemperatur (SST) signifikant ansteigt (z.B. +4K), ist NeuralGCMs Reaktion inkonsistent mit den Erwartungen und es tritt Klimadrift auf.

  2. Unzureichende Fähigkeit zur Simulation unbeobachteter Klimate: Wie andere maschinelle Lernklima-Modelle steht NeuralGCM auch vor Herausforderungen bei der Simulation unbeobachteter Klimate, wie zukünftige Klimate oder Klimate, die sich signifikant von historischen Daten unterscheiden. Dies erfordert Modelle mit stärkeren Generalisierungsfähigkeiten und fortgeschritteneren Trainingsstrategien, wie adversariales Training oder Meta-Lernen.

  3. Physikalische Einschränkungen und numerische Stabilitätsprobleme: Zum Beispiel ist NeuralGCMs spektrale Verteilung immer noch unschärfer als ECMWF physikalische Vorhersagen, und es gibt immer noch einige numerische Stabilitätsprobleme bei der Simulation extremer Wetterereignisse.