- GenCast von Google DeepMind erreicht eine Genauigkeit, die mit traditionellen Wettervorhersagesystemen vergleichbar ist
- Laut einer aktuellen Studie übertraf GenCast beim Test auf Basis von Daten aus dem Jahr 2019 das weltweit führende Vorhersagemodell ENS mit einer Wahrscheinlichkeit von 97,2 %
Wichtige Merkmale von GenCast
- Als KI-basiertes Machine-Learning-Modell lernt es aus Wetterdaten von 1979 bis 2018, erkennt Muster und sagt die Zukunft voraus
- Während traditionelle Modelle (ENS) komplexe, physikbasierte Gleichungen berechnen, nutzt GenCast Machine Learning, um Vorhersagen effizienter zu erstellen
- Es verwendet einen Ensemble-Vorhersage-Ansatz und liefert verschiedene Szenarien:
- Beispiel: Bei der Vorhersage tropischer Zyklonbahnen gibt es im Schnitt 12 Stunden früher Warnungen
- Taifune, Extremwetter und die Windstromproduktion lassen sich bis zu 15 Tage im Voraus prognostizieren
Leistung und Effizienz im Überblick
- Zeit- und Ressourceneinsparung:
- GenCast erstellt mit Google Cloud TPU v5 eine 15-Tage-Vorhersage in 8 Minuten
- Das traditionelle Modell ENS benötigt für dieselbe Vorhersage mehrere Stunden
- Durch das Umgehen physikalischer Gleichungen sinken die Rechenkosten
- Unterschiede bei der Auflösung:
- GenCast arbeitet mit einer Auflösung von 0,25 Grad (Breiten- und Längengrad)
- ENS arbeitete 2019 mit einer Auflösung von 0,2 Grad und wurde inzwischen auf 0,1 Grad verbessert
- Trotz dieses Auflösungsunterschieds zeigt GenCast hervorragende Ergebnisse
Koexistenz von KI und traditionellen Modellen
- GenCast liefert Vorhersagen in 12-Stunden-Intervallen und unterscheidet sich damit von traditionellen Modellen, die Daten in kürzeren Abständen bereitstellen
- DeepMind legt den Schwerpunkt darauf, GenCast zusammen mit traditionellen Modellen einzusetzen, um Vertrauen und Sicherheit aufzubauen
- Für Meteorologieforschung und Vorhersagepraktiker könnte GenCast als neues Werkzeug praktische Auswirkungen haben
Mögliche Grenzen des KI-Modells
- Der aktuelle Leistungsvergleich zwischen ENS und GenCast ist schwer vollkommen fair zu nennen, da GenCast auf Basis von ENS-Daten aus dem Jahr 2019 getestet wurde
- Weitere Verbesserungen sind nötig, etwa eine Skalierung auf höhere Auflösung oder kürzere Vorhersageintervalle
- Die meteorologische Community fragt sich weiterhin, ob KI-basierte Modelle genauso verlässlich sind wie physikbasierte Modelle
Open Source und Ausblick
- DeepMind hat den Open-Source-Code von GenCast veröffentlicht, damit mehr Forschende und Praktiker darauf zugreifen können
- KI-Modelle werden traditionelle Modelle voraussichtlich nicht ersetzen, sondern ergänzen und dadurch genauere und schnellere Wettervorhersagen ermöglichen
- KI-Wettervorhersagemodelle könnten die Nutzung meteorologischer Daten grundlegend verändern, mit dem Ziel eines besseren gesellschaftlichen Nutzens
Noch keine Kommentare.