Ein Testbett zur Erforschung der Wettervorhersage in Zeiten von KI

Das neu eingerichtete TEEMLEAP-Testbett ermöglicht faire und systematische Vergleiche zwischen numerischen Vorhersagen und solchen mit maschinellem Lernen

In den letzten fünf Jahren haben neue Modelle und maschinelles Lernen (ML) die Art und Weise, wie wir Wettervorhersagen erstellen, erheblich verändert. Meteorologische Dienste auf der ganzen Welt nutzen zunehmend ML, um ihre Wettervorhersagesysteme zu verbessern. Ein Beispiel hierfür findet sich unter www.kit-weather.de (Pangu-ICON-Vergleichskarten). Dieser Wandel bringt neue Herausforderungen und Möglichkeiten für Meteorolog:innen in Universitäten und Forschungszentren mit sich, da sie enger mit Mathematik und Informatik zusammenarbeiten müssen, um mit den neuesten methodischen Entwicklungen Schritt zu halten, ihre Lehrpläne aktualisieren müssen, um die neuen Techniken zu integrieren, und neue Forschungswerkzeuge und -strategien brauchen.

Um dieser neuen Situation besser gerecht zu werden, haben Wissenschaftler des Instituts für Meteorologie und Klimaforschung Troposphärenforschung (IMKTRO) des KIT und des Deutschen Wetterdienstes (DWD) ein neues globales Testbett namens TEEMLEAP („TEstbed for Exploring Machine LEarning in Atmospheric Prediction“) geschaffen, um neue Ansätze für die Wettervorhersage systematisch zu untersuchen. Wie die Abbildung unten zeigt, enthält das System Schlüsselelemente eines operationellen Wetterdienstes (Beobachtungen, Datenassimilation, Vorhersage und Verifikation), jedoch in einem vereinfachten, leicht zu handhabenden und verständlichen Aufbau. Zusätzlich zu den konventionellen Methoden (z.B. das numerische Wettervorhersagemodell ICON des DWD) ist das neue ML-Modell FourCastNet bereits implementiert. Das Testbett hilft bei der Untersuchung wichtiger Fragen wie der Verbesserung von Beobachtungssystemen, dem Verständnis von Vorhersageunsicherheiten und der Entwicklung hybrider Systeme, die ML mit traditionellen Modellen kombinieren.

Das TEEMLEAP-Testbett-Konzept wurde in einem neuen Artikel von Wilhelm et al. (2025) im Journal of Advances in Modeling Earth Systems dokumentiert. Er erklärt die Funktionsweise des Testbetts, zeigt ein Pilotexperiment und diskutiert Beispiele für mögliche Anwendungen. Zukünftige Pläne beinhalten die Anwendung des Testbetts für die Lehre im Rahmen eines kürzlich geförderten „Research Infrastructures in Research-Oriented Teaching (RI-RO Teaching)“-Projekts und die Entwicklung einer detaillierteren regionalen Version, die für die Assimilation von Beobachtungen aus Feldkampagnen, z.B. der weltweit führenden Beobachtungsplattform KITcube des IMKTRO, verwendet werden kann.

Referenz

Wilhelm, J., Quinting, J., Burba, M., Hollborn, S., Ehret, U., Pena Sánchez, I., Lerch, S., Verfürth, B., and Knippertz, P., 2025: TEEMLEAP - A new testbed for exploring machine learning in atmospheric prediction for research and education. Journal of Advances in Modeling Earth Systems, 17, e2024MS004881, doi:10.1029/2024MS004881. (Preprint: https://doi.org/10.22541/essoar.173482059.96151727/v1)

Überblick über die Struktur des TEEMLEAP-Testbetts. Vertikale Profile aus ERA5-Reanalysedaten dienen als Pseudomessungen mit Wetterballons, die für den Assimilationszyklus des operationellen Systems des DWD vorbereitet werden. Sowohl das konventionelle ICON-Modell als auch das neue ML-Modell FourCastNet (Version 2) können für die Berechnung von Wettervorhersagen verwendet werden. Die Verifizierung erfolgt wieder mit den ERA5-Daten. Abbildung aus Wilhelm et al. (2025).