{"id":175221,"date":"2019-06-24T13:16:27","date_gmt":"2019-06-24T11:16:27","guid":{"rendered":"https:\/\/innovationorigins.com\/?p=175221"},"modified":"2019-06-24T13:16:27","modified_gmt":"2019-06-24T11:16:27","slug":"praezisere-wettervorhersage-dank-neuronaler-netze","status":"publish","type":"post","link":"https:\/\/ioplus.nl\/archive\/de\/praezisere-wettervorhersage-dank-neuronaler-netze\/","title":{"rendered":"Pr\u00e4zisere Wettervorhersage dank neuronaler Netze"},"content":{"rendered":"

Wettervorhersagen \u00e4ndern sich oft t\u00e4glich und sogar st\u00fcndlich. Und je nachdem, welchen Sender man im TV sieht oder welche App man auf dem Handy nutzt, gibt es schon mal f\u00fcr ein und denselben Tag immense Unterschiede. Schuld an den Abweichungen oder auch falschen Vorhersagen ist aber nicht das Unverm\u00f6gen der Meteorologen sondern das \u201echaotische System\u201c Atmosph\u00e4re. \u201ePhysikalische Eigenschaften wie Temperatur, Luftfeuchtigkeit oder Bew\u00f6lkung \u00e4ndern sich st\u00e4ndig\u201c, erkl\u00e4ren Wissenschaftler des Karlsruher Instituts f\u00fcr Technologie (KIT)<\/a>. Da kann es schon mal vorkommen, dass Gewitter, Sonne, K\u00e4lte und Hitze an einem Tag aufeinanderfolgen \u2013 wie das Wetter in diesem Mai.<\/p>\n

Die Meteorologen stehen bei ihren Wetterprognosen daher vor der Herausforderung, dieses Chaos vorherzusehen und zuverl\u00e4ssige Aussagen zu machen. Dabei gehen sie von aktuellen Messungen in der Atmosph\u00e4re aus und simulieren alternative Szenarien. Sie berechnen zum Beispiel, wie sich Ver\u00e4nderungen der Temperatur oder Luftfeuchtigkeit auf das Wetter auswirken k\u00f6nnten und vergleichen f\u00fcr jede Messgr\u00f6\u00dfe bis zu 50 Szenarien. \u201e\u00c4hneln sich die Ergebnisse, deutet das darauf hin, dass eine Prognose mit diesen Werten relativ sicher und der Zustand der Atmosph\u00e4re in diesem Bereich stabil und gut vorhersagbar ist\u201c, sagt Dr. Peter Knippertz vom Institut f\u00fcr Meteorologie und Klimaforschung des KIT.<\/p>\n

Trotzdem garantiert diese Methode keine wirklich sicheren Vorhersagen. \u201eDie Computerszenarien k\u00f6nnen manche physikalischen Zusammenh\u00e4nge nicht in der notwendigen Detailtiefe oder r\u00e4umlichen Aufl\u00f6sung abbilden\u201c, erkl\u00e4rt Dr. Sebastian Lerch vom Institut f\u00fcr Stochastik des KIT, der eng mit Knippertz zusammenarbeitet. So fielen beispielsweise Vorhersagen \u00fcber die Temperatur an bestimmten Orten stets zu mild, an anderen zu hoch aus, weil \u201elokale, teils zeitlich variable Gegebenheiten den Modellen nicht mitgegeben werden k\u00f6nnen.\u201c Daher sei es n\u00f6tig, die Ergebnisse der Simulationen mit aufwendigen statistischen Verfahren und Expertenwissen nachzubearbeiten, um bessere Prognosen und Eintrittswahrscheinlichkeiten f\u00fcr Wetterereignisse zu erhalten.<\/p>\n

\"Wettervorhersage\"
\u00a9 Sebastian Lerch, KIT<\/figcaption><\/figure>\n

Informationen nach dem Vorbild des menschlichen Gehirns<\/h3>\n

\u201eDie meisten Wettervorhersagen basieren heute auf physikalischen Modellen der Atmosph\u00e4re, die auf Supercomputern berechnet werden. Um Unsicherheiten (z.B. in Anfangsbedingungen oder Details der physikalischen Modelle) Rechnung zu tragen, nutzt man \u201aEnsemble-Simulationen\u2018, also mehrere Simulationsl\u00e4ufe, beispielsweise mit variierenden Anfangsbedingungen\u201c, beschreibt Lerch. \u201eDie Vorhersagen dieser Ensemble-Simulationen zeigen jedoch meist systematische Fehler, die mit statistischen Verfahren korrigiert werden m\u00fcssen. Basierend auf Vorhersagen und Beobachtungen aus der Vergangenheit sch\u00e4tzt man statistische Modelle zur Korrektur der Fehler. In der Vergangenheit wurden meist nur Ensemble-Vorhersagen der Zielgr\u00f6\u00dfe dazu verwendet: M\u00f6chte man also die Temperaturvorhersagen korrigieren, so wurden nur Temperaturvorhersagen als Eingangsgr\u00f6\u00dfe verwendet.\u201c<\/p>\n

Lerch und seine Kollegen aus Meteorologie und Mathematik des KIT haben nun eine neue Methode entwickelt, die auf Basis von K\u00fcnstlicher Intelligenz Fehler in der Wettervorhersage vermeiden soll. \u201eWir haben einen Ansatz entwickelt, der bessere Vorhersagen als etablierte Standardverfahren liefert\u201c, so Lerch. Dieser Ansatz beinhaltet neuronale Netze, die Informationen nach dem Vorbild des Gehirns verarbeiten. Die Computerprogramme werden trainiert, bestimmte Daten optimal zu verarbeiten. Wie das menschliche Gehirn sammeln die neuronalen Netze w\u00e4hrend des Trainings \u201eErfahrung\u201c und k\u00f6nnen sich so kontinuierlich verbessern \u2013 allerdings viel schneller als ein menschliche Gehirn. \u201eDie komplexesten Netzwerk-basierten Modelle ben\u00f6tigen etwa 25 Minuten f\u00fcr das Training (auf einer einzelnen Nvidia Tesla K20 GPU)\u201c, betont Lerch. Im Idealfall k\u00f6nnen die Netze dann beispielsweise die Eintrittswahrscheinlichkeit von lokalen Wetterereignissen wie Gewittern pr\u00e4zise bestimmen.<\/p>\n

Wettermodelle w\u00fcrden Vorhersagen f\u00fcr eine Vielzahl weiterer Gr\u00f6\u00dfen produzieren, die einen Einfluss auf die Temperatur haben, z.B. Druck, Wolkenbedeckung, Sonneneinstrahlung, Wind etc., sagt Lerch weiter. \u201eDie konkreten funktionalen Abh\u00e4ngigkeiten der Temperatur-Vorhersagefehler von diesen Eingangsgr\u00f6\u00dfen ist sehr komplex und nicht-linear, und daher selbst f\u00fcr Experten aus der Meteorologie quasi nicht in einfacher funktionaler Form beschreibbar. W\u00e4hrend Standardverfahren allerdings gerade eine solche funktionale Beschreibung der Abh\u00e4ngigkeiten zur Formulierung der Modelle ben\u00f6tigen, \u201alernen\u2018 die von uns vorgeschlagenen, auf neuronalen Netzen basierenden Modelle, diese Abh\u00e4ngigkeiten selbstst\u00e4ndig, ohne die Vorgabe konkrete funktionaler Zusammenh\u00e4nge.\u201c<\/p>\n

\"Wettervorhersage\"
\u00a9 Pixabay<\/figcaption><\/figure>\n

Wetterdaten aus zehn Jahren zum Training<\/h3>\n

Zum Training des Netzes nutzten die Wissenschaftler Wetterdaten aus Deutschland, die 537 Wetterstationen von 2007 bis 2016 aufgezeichnet hatten. Eingangsgr\u00f6\u00dfen f\u00fcr das neuronale Netz waren unter anderem die Bew\u00f6lkung, Bodenfeuchte und Temperatur. Anschlie\u00dfend verglichen die Forscher die Prognosen, die das Netz getroffen hatte, mit Prognosen aus etablierten Techniken. \u201eUnser Ansatz hat f\u00fcr fast alle Wetterstationen deutlich genauere Vorhersagen getroffen und ist wesentlich weniger rechenaufwendig\u201c, fasst Lerch zusammen. Und kann man sagen um wie viel genauer die Vorhersagen sind als bisher? Ja, sagt der Wissenschaftler.<\/p>\n

Die Qualit\u00e4t der Vorhersagen w\u00fcrde mit Hilfe des \u201econtinuous ranked probability scores\u201c (CRPS) gemessen. \u201eDabei handelt es sich um eine mathematisch fundierte Bewertungsregel f\u00fcr Vorhersagen in der Form von Wahrscheinlichkeitsverteilungen, die die in der Vorhersage quantifizierte Unsicherheit mit ber\u00fccksichtigt. Gemittelt \u00fcber alle Tage und Stationen erreicht man im Vergleich zu den besten Standardverfahren eine CRPS-Verbesserung von etwa 3%\u201c, erkl\u00e4rt er. \u201eDie Netzwerk-basierten Modelle liefern an etwa 80% der 537 Beobachtungsstationen die besten Vorhersagen. In paarweisen Vergleichen sind die beobachteten CRPS-Differenzen an zwischen Netzwerk-basierten Modellen und den besten Standardverfahren an zwischen 30% und 67% der Beobachtungsstationen statistisch signifikant.\u201c<\/p>\n

Neben der Lernf\u00e4higkeit und der Tatsache, dass sie nicht-lineare Zusammenh\u00e4nge eigenst\u00e4ndig erkennen k\u00f6nnen, haben die neuronalen Netze einen weiteren Vorteil: Sie k\u00f6nnen gro\u00dfe Datenmengen schneller verarbeiten als bisherige Methoden und menschliche Experten. \u201eDie zwei bisherigen Standardverfahren, die die gleiche Anzahl an Pr\u00e4diktoren wie die komplexesten Netzwerk-Modelle verarbeiten k\u00f6nnen, ben\u00f6tigten 48 Minuten bzw. 430 Minuten zum Training (also etwa zwei bzw. 17 Mal so lang)\u201c, so Lerch. Der direkte Vergleich gestalte sich aufgrund der unterschiedlichen Programmierumgebungen (Python f\u00fcr die Netzwerk-Modelle, R f\u00fcr die Standardverfahren) und Hardware-Umgebungen (GPU f\u00fcr die Netzwerkmodelle, CPU f\u00fcr die Standardverfahren) zwar schwierig, aber: \u201eWir konnten so erstmals zeigen, dass sich neuronale Netze bestens daf\u00fcr eignen, Wettervorhersagen zu verbessern und Informationen \u00fcber meteorologische Prozesse zu erhalten.\u201c<\/p>\n

Mehr zum Thema K\u00fcnstliche Intelligenz finden Sie HIER<\/a><\/em><\/strong><\/p>\n","protected":false},"excerpt":{"rendered":"

Wettervorhersagen \u00e4ndern sich oft t\u00e4glich und sogar st\u00fcndlich. Und je nachdem, welchen Sender man im TV sieht oder welche App man auf dem Handy nutzt, gibt es schon mal f\u00fcr ein und denselben Tag immense Unterschiede. Schuld an den Abweichungen oder auch falschen Vorhersagen ist aber nicht das Unverm\u00f6gen der Meteorologen sondern das \u201echaotische System\u201c […]<\/p>\n","protected":false},"author":1660,"featured_media":508547,"comment_status":"open","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"advgb_blocks_editor_width":"","advgb_blocks_columns_visual_guide":"","footnotes":""},"categories":[25213],"tags":[],"location":[24328],"article_type":[],"serie":[],"archives":[],"internal_archives":[],"reboot-archive":[],"class_list":["post-175221","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-nachhaltigkeit-de","location-deutschland"],"blocksy_meta":[],"acf":{"subtitle":"","text_display_homepage":false},"author_meta":{"display_name":"Petra Wiesmayer","author_link":"https:\/\/ioplus.nl\/archive\/author\/petra-wiesmayer\/"},"featured_img":"https:\/\/ioplus.nl\/archive\/wp-content\/uploads\/2019\/06\/2019_082_Lokal-und-praezise-Neuronale-Netze-in-der-Wettervorhersage.jpg","coauthors":[],"tax_additional":{"categories":{"linked":["Nachhaltigkeit<\/a>"],"unlinked":["Nachhaltigkeit<\/span>"]}},"comment_count":"0","relative_dates":{"created":"Posted 7 years ago","modified":"Updated 7 years ago"},"absolute_dates":{"created":"Posted on June 24, 2019","modified":"Updated on June 24, 2019"},"absolute_dates_time":{"created":"Posted on June 24, 2019 1:16 pm","modified":"Updated on June 24, 2019 1:16 pm"},"featured_img_caption":"","series_order":"","_links":{"self":[{"href":"https:\/\/ioplus.nl\/archive\/wp-json\/wp\/v2\/posts\/175221","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/ioplus.nl\/archive\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/ioplus.nl\/archive\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/ioplus.nl\/archive\/wp-json\/wp\/v2\/users\/1660"}],"replies":[{"embeddable":true,"href":"https:\/\/ioplus.nl\/archive\/wp-json\/wp\/v2\/comments?post=175221"}],"version-history":[{"count":0,"href":"https:\/\/ioplus.nl\/archive\/wp-json\/wp\/v2\/posts\/175221\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/ioplus.nl\/archive\/wp-json\/wp\/v2\/media\/508547"}],"wp:attachment":[{"href":"https:\/\/ioplus.nl\/archive\/wp-json\/wp\/v2\/media?parent=175221"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/ioplus.nl\/archive\/wp-json\/wp\/v2\/categories?post=175221"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/ioplus.nl\/archive\/wp-json\/wp\/v2\/tags?post=175221"},{"taxonomy":"location","embeddable":true,"href":"https:\/\/ioplus.nl\/archive\/wp-json\/wp\/v2\/location?post=175221"},{"taxonomy":"article_type","embeddable":true,"href":"https:\/\/ioplus.nl\/archive\/wp-json\/wp\/v2\/article_type?post=175221"},{"taxonomy":"serie","embeddable":true,"href":"https:\/\/ioplus.nl\/archive\/wp-json\/wp\/v2\/serie?post=175221"},{"taxonomy":"archives","embeddable":true,"href":"https:\/\/ioplus.nl\/archive\/wp-json\/wp\/v2\/archives?post=175221"},{"taxonomy":"internal_archives","embeddable":true,"href":"https:\/\/ioplus.nl\/archive\/wp-json\/wp\/v2\/internal_archives?post=175221"},{"taxonomy":"reboot-archive","embeddable":true,"href":"https:\/\/ioplus.nl\/archive\/wp-json\/wp\/v2\/reboot-archive?post=175221"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}