D8 Numerische Modellierung und Vorhersage

Thema

Die numerische Wettermodellierung beinhaltet die numerische Integration der atmosphärischen Grundgleichungen, welche die Bewegung und Veränderung der Luft beschreiben, von einem Ausgangszustand in die Zukunft. Dieser Ausgangszustand entspricht der Analyse, die durch Datenassimilation entsteht: Die numerische Wettermodellierung nimmt diese Analyse, entwickelt sie zeitlich weiter, indem sie die atmosphärischen Grundgleichungen schrittweise löst, und erstellt so die Vorhersage.

Innerhalb der numerischen Wettermodellierung betreiben verschiedene meteorologische Zentren ihre eigenen globalen Vorhersagemodelle. Jedes dieser Modelle hat eine horizontale Auflösung zwischen neun und dreizehn Kilometern und mehr als hundert vertikale Ebenen und kann atmosphärische Bedingungen bis zu fünfzehn Tage im Voraus vorhersagen, wobei die Genauigkeit mit zunehmendem Vorhersagezeitraum abnimmt. Hochauflösende regionale Modelle hingegen verzichten auf eine globale Abdeckung zugunsten einer deutlich feineren Auflösung von ein bis drei Kilometern. Diese ist fein genug, um mesoskalige Phänomene wie tiefe Konvektion explizit aufzulösen, anstatt sie wie globale Vorhersagemodelle mit derselben gröberen Auflösung nur approximieren zu müssen.

Da kein globales Vorhersagemodell den Anfangszustand der Atmosphäre mit absoluter Präzision bestimmen kann, quantifiziert die Ensemble-Vorhersage die Unsicherheit, die durch diesen Wissensmangel entsteht: Dabei wird dasselbe Modell wiederholt ausgeführt, jedes Mal mit einem leicht veränderten Anfangszustand – manchmal mit mehreren Dutzend gestörten Anfangszuständen, beispielsweise 51 – und mitunter auch mit unterschiedlichen Versionen des Modells selbst. Die Streuung der einzelnen Vorhersagen dieser Gruppe ist an sich ein Maß für die Unsicherheit: Je größer die Streuung, desto geringer die Vorhersagbarkeit der Atmosphäre zu diesem Zeitpunkt.

Die Genauigkeit jeder dieser Vorhersagen – ob von einem globalen Modell, einem regionalen Modell oder einer Gruppe von Vorhersagen – wird letztendlich anhand verschiedener statistischer Kennzahlen gemessen. Einige messen den durchschnittlichen Fehler zwischen der Modellvorhersage und dem tatsächlichen Ereignis; andere messen, wie genau das vorhergesagte Anomaliemuster mit dem tatsächlichen Muster übereinstimmt; und wieder andere messen, wie gut die von der Gruppe von Vorhersagen gelieferten Wahrscheinlichkeiten kalibriert sind, beispielsweise bei der Vorhersage der Regenwahrscheinlichkeit.

In den letzten Jahren hat die Anwendung künstlicher Intelligenz in der Meteorologie einen alternativen Weg zu dieser Vorhersagegenauigkeit eröffnet: Verschiedene neuronale Netzwerkmodelle, die von unterschiedlichen Laboren trainiert wurden, erreichen eine mit herkömmlichen globalen Vorhersagemodellen vergleichbare Vorhersagekraft – und das in Minuten statt Stunden Rechenzeit. Der grundlegende Unterschied liegt in der Art und Weise, wie sie zu ihren Vorhersagen gelangen: Während numerische Wettermodelle die primitiven atmosphärischen Gleichungen Schritt für Schritt explizit lösen, werden diese neuronalen Modelle mit großen Mengen an Reanalysedaten trainiert und lernen die atmosphärischen Fluidgleichungen direkt aus diesen Daten, ohne sie für jede Vorhersage explizit zu lösen.

Für den kürzesten Zeitraum von null bis zwei Stunden sind weder numerische Wettermodelle noch neuronale Modelle genau: Nowcasting löst dieses Problem, indem es die Extrapolation der aktuellsten Radar- und Satellitenbilder mit hochauflösenden regionalen Modellen kombiniert. Dabei wird die Tatsache genutzt, dass es im Minutenbereich und auf wenigen Kilometern ausreicht, die Bewegung der bereits vorhandenen atmosphärischen Phänomene zu verfolgen. Von der langsamen und expliziten Integration der primitiven atmosphärischen Gleichungen bis zum direkten Lernen neuronaler Modelle und der einfachen Extrapolation von Nowcasting umfasst die numerische Wettermodellierung verschiedene Wege, die alle dasselbe Ziel verfolgen: den durch die Analyse erfassten aktuellen Zustand der Atmosphäre in die bestmögliche Vorhersage ihrer Zukunft zu transformieren.

ID:38