Neue ML‑Korrekturschicht verbessert 2–6‑Wochen‑Prognosen und schafft mehr Vorwarnzeit für Behörden und Versorger.
In Kürze
- ML korrigiert Modellfehler
- Genauigkeit verdoppelt
- Nutzen für Landwirtschaft, Energie, Katastrophenschutz
Im Februar 2021 legten drei schwere Winterstürme in Texas die Energieversorgung lahm. Strom- und Wärmeausfälle sowie unterbrochene Wasser- und Lebensmittellieferungen trugen dazu bei, dass mindestens 246 Menschen starben. Hätten Behörden und Versorger zwei bis sechs Wochen Vorwarnzeit gehabt, wären Schutzmaßnahmen, Logistik und Evakuierungen deutlich einfacher zu organisieren gewesen.
Das Problem liegt aber tiefer: Wetterprognosen sind jenseits von etwa zwei Wochen sehr unsicher. Seit Edward Lorenz’ Arbeiten in den 1970er-Jahren gilt die praktische Grenze von rund zwei Wochen als schwer zu überschreiten. Die Periode zwischen zwei und sechs Wochen wird deshalb oft als „predictability desert“ bezeichnet — eine Übergangszone zwischen kurzfristiger Vorhersagbarkeit und den langsameren, klimatischen Trends, die sich bislang kaum nutzbar machte.
Eine neue Herangehensweise setzt nicht auf den kompletten Neubau von Modellen, sondern auf Fehlerkorrektur per Maschine. Ein Forschungsteam von MIT, Harvard, University of Toronto, dem europäischen Wetterzentrum ECMWF, Microsoft und weiteren Instituten hat eine Machine‑Learning‑Schicht entwickelt, die bestehende Vorhersagemodelle nachträglich korrigiert. Diese Postprocessing‑Ebene lernt aus historischen Modellfehlern und passt die Prognosen gezielt für den 2–6‑Wochen‑Zeitraum an.
Wichtig zu wissen: Das System wurde mit erheblicher Rechenleistung trainiert, läuft aber im Betrieb ohne Supercomputer, ist kostengünstig und als Open‑Source‑Software verfügbar. Das macht den Einsatz auch für nationale Wetterdienste mit begrenzten Ressourcen denkbar.
Was die Methode leistet
- Auf das ECMWF‑Hauptmodell angewendet, verdoppelte die Korrekturschicht die Genauigkeit in der 2–6‑Wochen‑Spanne.
- In einem internationalen Wettbewerb des ECMWF erreichte das Verfahren den ersten Platz.
- Zum ersten Mal lieferten Modelle in diesem Zeitraum bessere Vorhersagen als die langjährigen Durchschnittswerte (Klimatologie); viele Vorhersagen lagen zuvor hinter diesem Basiswert zurück.
- Die Technik verbessert zudem die Vorhersage extremer Wetterereignisse wie Überschwemmungen oder Kälteeinbrüche — für Entscheidungen mit großer gesellschaftlicher Tragweite besonders relevant.
- Sie ist modular einsetzbar und verbesserte auch Modelle, die bereits andere Bias‑Korrekturen nutzten.
Konkreter Nutzen in der Praxis
- Für dich als Landwirt:in kann eine verlässlichere 2–6‑Wochen‑Prognose helfen, Düngetermine oder Schutzmaßnahmen gegen Frost besser zu planen.
- Energieversorger gewinnen Zeit für Beschaffungs- und Logistikentscheidungen, etwa bei Gaslieferungen oder dem Aufstellen von Reservekapazitäten.
- Katastrophenschutzbehörden erhalten längere Vorwarnzeiten, um Evakuierungen und Infrastruktur‑Sicherung vorzubereiten.
- Schon jetzt hat das kenianische Meteorologische Amt Interesse gezeigt, die Methode für Monsun‑Vorhersagen zu nutzen.
Publikation und Förderung
Die Arbeit wurde in Nature veröffentlicht. Unterstützt wurde das Projekt unter anderem von der US‑National Science Foundation, der Carlos Chagas Filho Foundation und der Europäischen Union.
Statt komplette Modelle neu zu entwickeln, nutzt das Team also eine lernende Korrekturschicht, die systematisch vorhandene Fehler ausgleicht und so erstmals verlässlichere 2–6‑Wochen‑Prognosen liefert — mit konkretem Nutzen für Landwirtschaft, Energieversorgung und Katastrophenvorsorge.
Quellen
- Quelle: Massachusetts Institute of Technology / European Centre for Medium-Range Weather Forecasts (ECMWF)
- Der ursprüngliche Artikel wurde hier veröffentlicht
- Dieser Artikel wurde im Podcast KI-Briefing-Daily behandelt. Die Folge kannst du hier anhören.
