4. Fachsitzung 2025

Jens Winkler (Deutscher Wetterdienst)

Vorhersageunsicherheit von KI-Modellen in der Wettervorhersage

Im Rahmen des EUMENET E-AI (AI = artificial intelligence) Programms wurde 2024 das “Machine Learning (ML) Pilot Project” am ECMWF gestartet, in dem die europäischen nationalen Wetterdienste gemeinsam an der Entwicklung von “Daten-getriebenen” Wetter-Vorhersagemodellen mit künstlicher Intelligenz (KI) arbeiten. In diesem Vortrag berichten wir über die Entwicklungen im Arbeitspaket 2 “Ensemblevorhersage”.

Vorhersageunsicherheit hat im Wesentlichen zwei Quellen: Fehler in den Anfangsbedingungen und Defizite des Modellsystems. Die Datenassimilation führt Modellzustände und Beobachtungen zusammen und quantifiziert den dabei entstehenden Fehler, die sowohl in der klassischen numerischen Wettervorhersage (NWV) als auch für KI-Modelle verwendet werden können. Allerdings reagieren KI-Modelle weniger sensitiv auf den “Butterfly”-Effekt und wir untersuchen die Konsequenzen für die Störung der Anfangsbedingungen. Weitaus schwieriger ist die Repräsentation des Modellfehlers, da die Strukturen eines neuronalen Netzes keine klare Ursachenzuordnung erlauben. Deshalb muss der Modellfehler gelernt werden.

Dazu wird bereits im Trainingsprozess ein Ensemble von Vorhersagen durch das Setzen von Störungen im Prozessor-Raum (Latent-Space) des KI-Modells erzeugt und mit dem “Continous Ranked Probability Score” (CRPS) auf den beobachteten Vorhersagefehler angepasst. Noch allgemeiner sind generische Diffusionsmodelle, die mit Hilfe von KI valide Vorhersageinkremente aus Rauschen erzeugen. Diese Technik wurde für die Generierung von Bildern und Filmen entwickelt und von Google DeepMind im GenCast Konzept auf die Wettervorhersage übertragen. In diesem Rahmen stellen wir die Entwicklung des AICON ML Ensembles am DWD vor.

Bitte beachten Sie: dieser Vortrag findet hybrid, jedoch erst um 16:15 Uhr statt. Online-Teilnahme ist über Webex möglich.