GOOGLE hat ein neues Modell der künstlichen Intelligenz entwickelt, das bei der Wettervorhersage helfen kann.
Das KI-Modell heißt SEEDS oder Scalable Ensemble Envelope Diffusion Sampler.
SEEDS funktioniert ähnlich wie beliebte große Sprachmodelle wie ChatGPT und Midjourney.
Es nutzt die Leistungsfähigkeit der KI, um in kurzer Zeit eine große Anzahl von Wettervorhersagen zu erstellen.
Dadurch können Google-Forscher ein breiteres Spektrum möglicher Wetterergebnisse analysieren.
Noch wichtiger ist, dass ihnen dadurch ein umfassenderes Bild künftiger gefährlicher Ereignisse vermittelt werden könnte.
„Genaue Wettervorhersagen können einen direkten Einfluss auf das Leben der Menschen haben, indem sie bei Routineentscheidungen helfen“, schreibt Google in einem Blogeintrag.
„Die Bedeutung genauer und zeitnaher Wettervorhersagen wird mit dem Klimawandel nur noch zunehmen“, heißt es weiter.
„Da wir dies erkannt haben, haben wir bei Google in die Wetter- und Klimaforschung investiert, um sicherzustellen, dass die Prognosetechnologie von morgen den Bedarf an zuverlässigen Wetterinformationen decken kann.“
Aktuelle Methoden zur Wettervorhersage sind teuer und lassen oft wichtige Details über drohende Wetterkatastrophen außer Acht.
Allerdings könnte SEEDS möglicherweise seltene Ereignisse erfassen, die aktuelle Modelle möglicherweise übersehen.
„Diese Technologie eröffnet neue Möglichkeiten für die Wetter- und Klimawissenschaft und stellt eine der ersten Anwendungen für die Wetter- und Klimavorhersage probabilistischer Diffusionsmodelle dar“, erklärte Google.
Das Team von Google beschrieb seine Ergebnisse in einem Papier veröffentlicht am 29. März in der Zeitschrift Science Advances.
DIE ERGEBNISSE
In der Studie sagt das Team, dass die Technik von SEEDS auf probabilistischen Diffusionsmodellen basiert.
Grundsätzlich nutzt SEEDS Wetterdaten wie Luftdruck und atmosphärische Energie, um Prognosemodelle zu erstellen.
Der Schwerpunkt liegt auf der Verbindung dieser Messungen, was zur Verbesserung der Wettervorhersagen beiträgt.
Diese Technik erfreut sich bei Wetter- und Klimaanwendungen wie Nowcasting und Upsampling zunehmender Beliebtheit.
„Unser Scalable Ensemble Envelope Diffusion Sampler kann ein beliebig großes Ensemble generieren, abhängig von nur einer oder zwei Vorhersagen aus einem betriebsbereiten NWP-System“, heißt es in der Studie.
„Die generierten Ensembles liefern nicht nur wetterähnliche Vorhersagen, sondern entsprechen oder übertreffen auch physikbasierte Ensembles hinsichtlich der Fähigkeitsmetriken“, heißt es weiter.
Zu diesen Metriken gehören das Ranghistogramm, der mittlere quadratische Fehler und der kontinuierliche Rangfolge-Wahrscheinlichkeitswert.