Robustere Wettermodelle mit KI

Wettermodelle sind ein wesentliches Hilfsmittel bei der Prognose von Einspeisemengen, sowohl für die Betreiber von Wind- und Solarparks als auch für Energiehändler. Aber auch Stromnetzbetreiber müssen über herannahende Wetterphänomene im Bilde sein. „Windböen lassen sich jedoch nur schwer modellieren, da sie durch kleinskalige Prozesse angetrieben werden und sehr lokal auftreten“, sagt Benedikt Schulz. Der Doktorand am Institut für Stochastik des KIT verweist auf die Schäden, die besondere Wetterphänomene an Mensch, Natur und Infrastruktur anrichten können. Die sogenannten numerischen Wettermodelle, die bei Wetterdiensten eingesetzt werden, könnten solche meteorologischen Ereignisse jedoch kaum oder nur unter großer Unsicherheit vorhersagen.

Mit Ensemble-Vorhersagen versuchen Meteorologen zwar zu besseren Ergebnissen zu gelangen. Dazu wird ausgehend vom aktuellen Zustand der Atmosphäre parallel eine gewisse Anzahl von Modellrechnungen mit variierten Rahmenparametern durchgeführt. Aber auch diese zeigen laut Schulz noch systematische Fehler, da lokale und teils zeitlich variable Gegebenheiten den Modellen nicht mitgegeben werden könnten.

Verringerung der Vorhersagefehler um 36 Prozent

„Mithilfe von künstlicher Intelligenz wollen wir diese systematischen Fehler korrigieren, um die Vorhersagen zu verbessern und gefährliche Wetterphänomene verlässlicher vorherzusagen“, so der Wissenschaftler. Er und Sebastian Lerch vom Institut für Volkswirtschaftslehre des KIT haben gemeinsam sowohl bestehende als auch neue Methoden zur statistischen Nachbearbeitung numerischer Wettervorhersagen betrachtet und ihre Vorhersagequalität systematisch verglichen. Dabei habe sich gezeigt, dass grundsätzlich alle Nachbearbeitungsverfahren verlässliche Vorhersagen für die Geschwindigkeit von Windböen ermöglichen. „Allerdings sind KI-Methoden dabei klassischen statistischen Ansätzen deutlich überlegen und liefern wesentlich bessere Ergebnisse, da sie es erlauben, neue Informationsquellen wie geografische Gegebenheiten oder weitere meteorologische Variablen wie die Temperatur und die Sonnenstrahlung besser miteinzubeziehen“, erläutert Lerch.

Im Ergebnis konnten die beiden Forscher bei Anwendung der KI-Methoden eine Verringerung der Vorhersagefehler in den Wettermodellen um etwa 36 % feststellen. Ausgehend von Vorhersagen des Deutschen Wetterdienstes an 175 Beobachtungsstationen in Deutschland lieferten den Wissenschaftlern zufolge die KI-Methoden an mehr als 92 Prozent der Stationen bessere Vorhersagen als alle Referenzmodelle zur statistischen Nachbearbeitung. Dabei spiele die Fähigkeit neuronaler Netze eine wesentliche Rolle, aus den großen Datenmengen, die zur Verfügung stehen, komplexe und nichtlineare Zusammenhänge zu lernen. Damit könnten systematische Fehler in den Ensemble-Vorhersagen korrigiert werden.
Von der Methodenentwicklung an der Schnittstelle zwischen Statistik und KI sollen nach den Vorstellungen der Forscher in- und ausländische Wetterdienste profitieren, mit denen bereits Gespräche geführt würden.