Wann KI bei Wettervorhersagen noch versagt – und was das für unsere Sicherheit bedeutet

Als es im Juli 2021 tagelang in Strömen regnete, die Flüsse im Ahrtal anschwollen und ganze Orte in den Fluten versanken, wurde schmerzhaft deutlich, wie sehr Menschen auf verlässliche Wettervorhersagen angewiesen sind. Häuser wurden zerstört, Straßen weggerissen, 184 Menschen verloren ihr Leben.

Zwar hatten Meteorologen vor den sintflutartigen Niederschlägen gewarnt. Doch wie heftig und zerstörerisch sich die Lage entwickeln würde, ahnten sie nicht. Denn gerade solch seltene, intensive Wetterlagen sind am schwersten zu prognostizieren – und gleichzeitig die gefährlichsten.

Mit dem Klimawandel, durch den solche extremen Ereignisse häufiger und stärker werden, wächst der Druck zusätzlich, die Vorhersagen zu verbessern. Große Hoffnungen ruhen daher auf Systemen, die mit künstlicher Intelligenz arbeiten. Doch ausgerechnet bei diesen Extremen zeigen sie Schwächen.

Laut einer aktuellen Studie im Fachjournal „Science Advances“ tun sich KI-gestützte Modelle schwer damit, Rekordereignisse zuverlässig zu prognostizieren – darunter außergewöhnliche Hitzewellen, plötzliche Kälteeinbrüche oder schwere Stürme. Für das Alltagswetter liefern diese Modelle zwar oft erstaunlich schnelle und präzise Ergebnisse. Sie erkennen gewissermaßen die vertrauten Muster der Atmosphäre. Doch sobald Wind, Sonne und Regen aus der Reihe tanzen, geraten sie ins Stocken. Mehr noch: Je extremer das Ereignis, desto stärker unterschätzen sie es.

Ein Team um den Mathematiker Zhongwei Zhang vom Karlsruher Institut für Technologie hat sich dieses Problem nun genauer angeschaut und herausgefunden, was dahintersteckt. Das Ergebnis: Klassische Wettermodelle funktionieren wie ein Rechenlabor, in dem die Physik der Atmosphäre Schritt für Schritt durchgespielt wird – auf Grundlage von Messdaten, Formeln und Naturgesetzen. Sie wissen also gewissermaßen, wie sich Luftdruck, Temperatur, Feuchtigkeit oder Wind grundsätzlich verhalten werden – auch in extremen Situationen, die selten auftreten. Spitzt sich eine Wetterlage zu, etwa bei einer Hitzewelle oder einem Sturm, folgt das Modell weiterhin diesen physikalischen Regeln und kann dadurch auch ungewöhnliche Entwicklungen besser nachvollziehen.

KI-Modelle dagegen basieren auf einem System, das aus Erfahrung lernt. Sie durchforsten enorme Mengen vergangener Wetterdaten, erkennen darin Muster und leiten daraus ab, wie sich das Wetter entwickeln könnte. Solange sich neue Wetterlagen in diesen bekannten Mustern bewegen, funktioniert das erstaunlich gut. Doch weil sie vor allem aus durchschnittlichem Wetter gelernt haben, fehlt ihnen oft das Gespür für das Außergewöhnliche. Fachleute sprechen hier von einem Extrapolationsproblem – also der Schwierigkeit, über bekannte Erfahrungen hinauszugehen.

Für ihre Untersuchung hatten die Forscher die KI-Modelle GraphCast, Pangu-Weather und Fuxi dem etablierten europäischen Vorhersagemodell HRES des Europäischen Wetterdienstes gegenübergestellt. Die KI-Systeme wurden mit Daten aus den Jahren 1979 bis 2017 trainiert. Anschließend mussten sich beide Kontrahenten an realen Extremereignissen aus den Jahren 2018 bis 2020 bewähren – darunter den ungewöhnlich starken Hitzewellen in Sibirien und den USA. Dabei hatte sich gezeigt, dass das klassische HRES-Modell bei den Extremen näher an der Realität lag. Die KI-Modelle dagegen neigten dazu, die Stärke und auch die Häufigkeit solcher Ereignisse zu unterschätzen.

Künstliche Daten als Trainingsmaterial

Sind damit KI-Modelle also nutzlos, wenn es um die Vorhersage des nächsten Sturms, gar der nächsten Katastrophe geht? „Extremereignisse kommen selten vor und tauchen daher in den Trainingsdaten praktisch nicht auf“, erklärt Martin Schultz, Leiter der Forschungsgruppe Earth System Data Exploration am Forschungszentrum Jülich, gegenüber dem Science Media Center (SMC). Ein Problem, das sich unter dem künftigen Klima, das in den historischen Daten erst recht nicht auftaucht, noch verschärfen könnte.

„Dennoch ist es möglich“, so Schultz, „dass in Zukunft KI-Modelle auch die stärksten Extremereignisse hinbekommen.“ Etwa, indem man zum Training künstlich erzeugte Daten nutzt – ähnlich, wie es bereits in anderen Bereichen der Fall ist, in denen ebenfalls zu wenig Übungsstoff zur Verfügung steht. Etwa beim autonomen Fahren, bei seltenen Krankheiten oder der Gesichtserkennung, die auch mit weniger häufigen Merkmalen zurechtkommen soll.

Auch Nicole Ludwig, Professorin für Intelligente Energiesysteme an der Universität Augsburg, ist zuversichtlich, dass KI-Systeme künftig bessere Prognosen abgeben – und es bereits tun. Gegenüber dem SMC machte sie klar: „Die getesteten Modelle gehören nicht mehr zur aktuellen Generation an KI-Wettermodellen.“ Sie seien alle deterministisch. Gleiche Daten führen also immer exakt zur gleichen Vorhersage, Zufälle und Unsicherheiten sind nicht eingebaut.

„Neuere, probabilistische und generative Modelle erzeugen hingegen explizit sogenannte Ensembles möglicher Wetterverläufe“, erklärt Ludwig. Sie lieferten damit eine Sammlung vieler verschiedener, plausibler Ergebnisse. Also Varianten, wie sich das Wetter entwickeln könnte. „Die sollten besser geeignet sein, um Extreme vorherzusagen.“ Eine entscheidende Voraussetzung also, um eigenständig in Frühwarnsystemen eingesetzt zu werden – und so möglichst rechtzeitig vor dem nächsten Ahrtal-Szenario Alarm zu schlagen.

Haftungsausschluss: Das Urheberrecht dieses Artikels liegt bei seinem ursprünglichen Autor. Der Zweck dieses Artikels besteht in der erneuten Veröffentlichung zu ausschließlich Informationszwecken und stellt keine Anlageberatung dar. Sollten dennoch Verstöße vorliegen, nehmen Sie bitte umgehend Kontakt mit uns auf. Korrektur Oder wir werden Maßnahmen zur Löschung ergreifen. Danke