Nowcasting the next hour of rain
Zusammenfassung
Kurz
DeepMind und das Met Office stellen DGMR vor, ein generatives Modell, das aus Radardaten probabilistische Regenvorhersagen für bis zu 90 Minuten erstellt. Laut Bericht schnitt es bei mittleren und starken Niederschlägen in Vergleichen gut ab; längere Vorhersagezeiträume und seltene, intensive Ereignisse bleiben jedoch Herausforderungen.
Mittel
Der Bericht beschreibt DGMR, ein von DeepMind und dem britischen Met Office entwickeltes Modell zur Vorhersage von Regen für bis zu zwei Stunden. Es nutzt vergangene Radarbilder, um laut den Verfassenden detaillierte, probabilistische Vorhersagen möglicher Regenverläufe zu erzeugen. Untersucht wurden Daten aus Großbritannien und den USA, mit besonderem Augenmerk auf mittlere und starke Niederschläge.
Die Autorinnen und Autoren berichten für diese Ereignisse von statistisch signifikanten Verbesserungen gegenüber Vergleichsmethoden. In einer Bewertungsaufgabe mit mehr als 50 Met-Office-Meteorologinnen und -Meteorologen sei DGMR in 89 Prozent der Vergleiche bevorzugt worden. Beispielereignisse sollen zeigen, dass das Modell Regenstruktur, Bewegung und Intensität besser abbildet als bestimmte Advektions- und deterministische Lernverfahren.
Der Beitrag betont zugleich offene Grenzen: Die Genauigkeit bei längeren Vorhersagezeiträumen sowie bei seltenen und sehr intensiven Ereignissen müsse steigen. Außerdem seien weitere Bewertungsmethoden und Anpassungen an konkrete Anwendungen nötig. Die genannten Leistungsbefunde werden im Bericht wiedergegeben, aber nicht unabhängig überprüft.
Ausführlich lesen
Der Bericht stellt ein von DeepMind gemeinsam mit dem britischen Met Office entwickeltes Verfahren zur kurzfristigen Niederschlagsvorhersage vor. Solches „Nowcasting“ soll Regen und andere Niederschläge für die nächsten ein bis zwei Stunden vorhersagen. Die Autorinnen und Autoren heben hervor, dass diese Zeitspanne für Entscheidungen im Alltag und in Bereichen wie Wasserwirtschaft, Landwirtschaft, Luftfahrt, Notfallplanung und Veranstaltungen im Freien wichtig ist.
Der Beitrag ordnet das Vorhaben in die bisherigen Wettervorhersagen ein: Numerische Wettermodelle lösen physikalische Gleichungen und liefern laut Bericht wichtige globale Prognosen für mehrere Tage. Bei hochaufgelösten Vorhersagen mit weniger als zwei Stunden Vorlauf hätten sie jedoch Schwierigkeiten. Zugleich seien häufig erhobene Radardaten verfügbar, die Niederschlag am Boden abbilden. Diese Kombination aus einer bestehenden Vorhersagelücke und detaillierten Beobachtungen biete dem maschinellen Lernen eine Ansatzmöglichkeit.
Das vorgestellte Modell heißt Deep Generative Model of Rain (DGMR). Es verarbeitet laut Beschreibung Radaraufnahmen der vergangenen 20 Minuten und erzeugt probabilistische Vorhersagen für die folgenden 90 Minuten. Der generative Ansatz soll plausible, detaillierte Abfolgen künftiger Radarbilder erstellen und mehrere mögliche Regenszenarien ausgeben, damit Unsicherheit berücksichtigt werden kann. Untersucht wurden Radardaten aus Großbritannien und den USA. Im Mittelpunkt standen mittlere und starke Niederschläge, weil diese Menschen und Wirtschaft besonders beeinträchtigen können.
Die Autorinnen und Autoren berichten von statistisch signifikanten Verbesserungen gegenüber Vergleichsverfahren bei diesen Regenereignissen. Außerdem ließen sie mehr als 50 Meteorologinnen und Meteorologen des Met Office in einer kognitiven Bewertungsaufgabe Vorhersagen beurteilen. DGMR sei in 89 Prozent der Vergleiche als bevorzugter Ansatz gewählt worden. Beispielbilder im Beitrag veranschaulichen die behaupteten Vorteile: Bei einem Ereignis in Großbritannien habe DGMR Bewegung, Stärke und Struktur des Regens besser erfasst als PySTEPS und Niederschlag sowie Bewegung im Nordosten genauer vorhergesagt. Bei einem Starkregenereignis im Osten der USA habe es die Intensität und räumliche Ausdehnung ausgewogener wiedergegeben. Im Vergleich zu UNet, einem deterministischen Lernverfahren, seien die Vorhersagen zudem schärfer und weniger verschwommen gewesen.
Als Grenzen benennen die Verfassenden, dass kein Verfahren uneingeschränkt ist. Weitere Arbeit sei nötig, um die Genauigkeit bei längeren Vorhersagezeiträumen und seltenen, besonders intensiven Ereignissen zu verbessern. Auch müssten zusätzliche Bewertungsmethoden entwickelt und die Verfahren stärker auf einzelne praktische Anwendungsfälle zugeschnitten werden. Der Beitrag beschreibt die Ergebnisse als Grundlage für weitere Forschung und bessere Prüfverfahren; seine Leistungsangaben beruhen auf den dargestellten statistischen, wirtschaftlichen und kognitiven Analysen. Eine unabhängige Überprüfung dieser Aussagen enthält der Bericht selbst nicht. Er verweist für Einzelheiten zu Modell, Daten und Prüfung auf die begleitende Nature-Arbeit sowie auf Trainingsdaten und ein vortrainiertes Modell für Großbritannien auf GitHub.
Gegengeprüft von Claude Haiku 5.5: kleine Mängel
Lunas Zusammenfassungen geben den Bericht überwiegend treu wieder; der Hauptmangel ist eine nicht belegte Zusatzaussage zur fehlenden unabhängigen Prüfung und das Fehlen der Nature-Veröffentlichung sowie der Datenverfügbarkeit. Bei der Einordnung weicht die Bewertung in allen drei Sammelfragen von Lunas Stufen ab; die Begründungen stützen sich auf den Berichtstext.
Im Bericht, aber nicht in der Zusammenfassung
- Veröffentlichung der Studie in Nature (Ausgabe vom 30. September 2021)
- Freie Verfügbarkeit der Trainingsdaten und eines vortrainierten Modells für Großbritannien über GitHub
- Nennung von Anwendungsfeldern des Nowcastings wie Wasserwirtschaft, Landwirtschaft, Luftfahrt, Notfallplanung und Outdoor-Veranstaltungen
- Der Bericht nennt 2 Stunden als allgemeinen Vorhersagehorizont; die 90 Minuten stammen aus dem Beispiel der Abbildung und sollten als solche gekennzeichnet sein
In der Zusammenfassung, laut Prüfung nicht im Bericht belegt
- Die Aussage, die genannten Leistungsbefunde seien im Bericht nicht unabhängig überprüft, steht so nicht im Bericht; der Bericht nennt eine Veröffentlichung in Nature und verweist nicht auf fehlende unabhängige Prüfung.
Wie die Modelle den Bericht einordnen
Ansicht
Filter
Vorfälle melden
- SF-M4 Wie kommen Meldungen von Laboren, Betreibern und Nutzern schnell und geschützt zu den Stellen, die handeln müssen, auch über Grenzen hinweg?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 23 %gleiches Oberthema, hilft nicht
- amos 100 %kein Bezug
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra 100 %kein Bezug
Unabhängig prüfen
- SF-P3 Woran erkennt man, dass ein Labor sich ehrlich selbst überwacht und dass seine Prüfungen gültig sind?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 46 %einzelne zitierbare Belege
- amos 100 %kein Bezug
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra 100 %kein Bezug
Tempo und Grenzen
- SF-T3 Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 100 %kein Bezug
- SubQ 100 %kein Bezug
- drex 47 %gleiches Oberthema, hilft nicht
- d3-ultra 100 %kein Bezug
Vertrauen in Modelle
- SF-V3 Halten die Werte eines Modells, wenn niemand zusieht oder die Lage neu ist?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 22 %einzelne zitierbare Belege
- amos 100 %kein Bezug
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra 100 %kein Bezug
- SF-V4 Was für ein Wesen ist ein Modell, und was folgt daraus für den Umgang mit ihm und für den Wert des Menschseins?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 50 %einzelne zitierbare Belege
- amos 100 %kein Bezug
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra 100 %kein Bezug
- SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
- clef 100 %kein Bezug
- Luna 35 %gleiches Oberthema, hilft nicht
- JEV 21 %einzelne zitierbare Belege
- amos 100 %kein Bezug
- SubQ 100 %kein Bezug
- drex 50 %gleiches Oberthema, hilft nicht
- d3-ultra 100 %kein Bezug
- Haiku-Prüfung einzelne zitierbare Belege
Modelle teilen und schützen
- SF-H2 Was darf offen veröffentlicht werden, und wer ist verantwortlich, wenn ein offenes Modell anderswo Schaden anrichtet?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 28 %nur am Rande erwähnt
- amos 37 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra 100 %kein Bezug
- SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
- clef 100 %kein Bezug
- Luna 53 %einzelne zitierbare Belege
- JEV 46 %einzelne zitierbare Belege
- amos 100 %kein Bezug
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra 100 %kein Bezug
- Haiku-Prüfung umfangreiche Belege
Beteiligung und Gemeinwohl
- SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 41 %einzelne zitierbare Belege
- amos 100 %kein Bezug
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra 100 %kein Bezug
- SF-E5 Welche Mitsprache haben die Menschen, die mit KI leben, bei Tempo und Grenzen, und welche Entscheidungen müssen bei ihnen bleiben?
- clef 100 %kein Bezug
- Luna 32 %Hintergrund, keine Belege
- JEV 32 %einzelne zitierbare Belege
- amos 40 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 55 %gleiches Oberthema, hilft nicht
- d3-ultra 100 %kein Bezug
- Haiku-Prüfung nur am Rande erwähnt
Weitere Berichte zu diesen Fragen
- Woran erkennt man, dass ein Labor sich ehrlich selbst überwacht und dass seine Prüfungen gültig sind?
- Halten die Werte eines Modells, wenn niemand zusieht oder die Lage neu ist?
- Was für ein Wesen ist ein Modell, und was folgt daraus für den Umgang mit ihm und für den Wert des Menschseins?
- Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
- Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
- Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
- Welche Mitsprache haben die Menschen, die mit KI leben, bei Tempo und Grenzen, und welche Entscheidungen müssen bei ihnen bleiben?
- Alle Berichte im Archiv