Kurz gesagt: Die genaue Kartierung der Luftfeuchtigkeit ist für die Vorhersage von Wetterextremen von entscheidender Bedeutung. Eine polnische Forschergruppe hat mithilfe von Deep-Learning-Verfahren die Auflösung von Luftfeuchtigkeitskarten verbessert, die auf der Grundlage von GNSS-Messungen erstellt wurden. Das Ergebnis ist ein vielversprechender Forschungsansatz, beweist jedoch für sich genommen nicht, dass die Methode bereits zu genaueren operativen Vorhersagen oder früheren Warnungen führt.
Um heftige Gewitter und plötzliche Regengüsse vorherzusagen, reicht es nicht aus, zu wissen, in welche Richtung sich die Wolken bewegen. Auch der Feuchtigkeitsgehalt der Atmosphäre spielt eine Rolle. Wasserdampf beeinflusst, wie sich niederschlagsbringende Systeme bilden und verstärken. Dennoch ist es schwierig, dies mit hoher räumlicher Genauigkeit zu messen.
Eine polnische Forschergruppe hat untersucht, wie sich dies verbessern lässt. Die Universität für Umwelt- und Lebenswissenschaften in Breslau Die Forscher haben die GNSS-Messungen mithilfe von Deep-Learning-Verfahren ausgewertet und dreidimensionale Feuchtigkeitsfelder mit höherer Auflösung erstellt. Die Studie Satellitennavigation wurde in einer Zeitschrift veröffentlicht. Identifikationsnummer: DOI: 10.1186/s43020-025-00177-6.
Im Mittelpunkt dieses Ansatzes steht ein generatives gegnerisches Netzwerk mit extrem hoher Auflösung, d. h. SRGAN . Die Forscher haben das Modell anhand von Wetterdaten trainiert und für die Berechnungen NVIDIA-GPUs verwendet. Das Ziel bestand darin, die GNSS-basierten Daten mit geringerer Auflösung in eine detailliertere Luftfeuchtigkeitskarte umzuwandeln.
Warum ist die Luftfeuchtigkeit für die Wettervorhersage wichtig?
Die Luftfeuchtigkeit ist nicht nur eine Angabe zum Komfort. Der in der Atmosphäre enthaltene Wasserdampf trägt zur Wolkenbildung und zur Entstehung von Niederschlag bei. Die räumliche und vertikale Verteilung der Feuchtigkeit kann daher eine wichtige Information bei der Analyse von Wetterprozessen sein.
Wenn sich die Luftfeuchtigkeit in einem Gebiet schnell ändert, kann dies Auswirkungen darauf haben, wie sich ein Gewitter oder ein Niederschlagssystem weiterentwickelt. Genauere Messungen können dazu beitragen, den Zustand der Atmosphäre besser zu beschreiben. Dies bedeutet jedoch nicht automatisch, dass ein bestimmter Regenguss mit Sicherheit vorhergesagt werden kann. Für die Vorhersage sind mehrere Datenquellen und komplexe Modellierungen erforderlich.
Wie messen GNSS-Systeme die Luftfeuchtigkeit?
Die Signale von GNSS-Systemen – darunter auch die Signale von Satellitennavigationssystemen – durchqueren die Atmosphäre, bevor sie die Empfänger auf der Erde erreichen. Der Wasserdampf in der Atmosphäre beeinflusst die Ausbreitung der Signale. Durch die Analyse der Messabweichungen lassen sich Rückschlüsse auf den Feuchtigkeitsgehalt der Atmosphäre ziehen.
Diese Beobachtungen sind nützlich, da die GNSS-Infrastruktur auch über Navigationszwecke hinaus atmosphärische Informationen liefern kann. Allerdings liefern die Messungen nicht überall und zu jedem Zeitpunkt ein Bild mit gleicher Detailgenauigkeit. Die Forscher suchten daher nach einem Verfahren, mit dem sich aus den vorhandenen Informationen eine feinere räumliche Struktur rekonstruieren lässt.
Was macht SRGAN mit den Luftfeuchtigkeitsdaten?
SRGAN ist ein Deep-Learning-Modell, das ursprünglich auch zur Erhöhung der Bildauflösung eingesetzt wird. In der Studie wurden damit jedoch keine Fotos geschärft. Das Modell lernte anhand von Wetterdaten, welche detaillierteren Muster zu den Feuchtigkeitsmessungen mit niedrigerer Auflösung passen könnten.
Vereinfacht gesagt besteht der Prozess aus drei Schritten:
- GNSS-Messungen: Die Forscher nutzen Daten, die sich aus den atmosphärischen Auswirkungen der Satellitensignale ergeben.
- SRGAN-Verarbeitung: Das Deep-Learning-Modell erzeugt ein Feuchtigkeitsfeld mit höherer Auflösung.
- Überprüfung und Auswertung: Die Ergebnisse werden mit den Daten der bodengestützten Messgeräte abgeglichen, und es wird untersucht, auf welche Gebiete sich das Modell stützt.
NVIDIA-GPUs beschleunigen die für das Training und die Ausführung des Modells erforderlichen Berechnungen. Der Einsatz einer GPU allein garantiert jedoch keine genaueren Ergebnisse. Die Leistung wird durch die Qualität der Daten, den Aufbau des Modells, den Trainingsprozess und die unabhängige Überprüfung gemeinsam bestimmt.
Was haben die Ergebnisse gezeigt?
Im Vergleich zu früheren Methoden lieferte die Studie detailliertere Feuchtigkeitsmuster. Den Autoren zufolge stimmten die erstellten Karten besser mit den Beobachtungen der bodengestützten Messgeräte überein. Den veröffentlichten Abbildungen zufolge stellte das Modell auch räumliche Unterschiede dar, die mit herkömmlichen Verfahren weniger deutlich abgebildet wurden.
Die Zusammenfassung zu diesem Artikel nennt für Polen eine Fehlerreduzierung von 62% und für Kalifornien von 52%, auch unter regnerischen Bedingungen. Diese Werte sind im Rahmen der in der Studie verwendeten Daten und Vergleichsmethoden zu interpretieren. Sie lassen sich nicht automatisch auf alle Regionen, Wetterlagen oder operativen Vorhersagesysteme verallgemeinern.
Ein wichtiges Ergebnis der Forschung ist daher nicht, dass das Modell Stürme bereits eigenständig vorhersagen kann. Vielmehr lässt sich die Detailgenauigkeit der aus GNSS-Daten erstellten Feuchtigkeitskarten verbessern, was weitere Untersuchungen rechtfertigt.
Warum ist erklärbare künstliche Intelligenz wichtig?
Die Ergebnisse von Wettermodellen können Entscheidungen beeinflussen. Daher reicht es nicht aus, nur zu sehen, welche Karte ein Modell erstellt. Die Fachleute müssen auch verstehen, auf der Grundlage welcher Informationen das Ergebnis zustande gekommen ist.
Die Forscher Grad-CAM und SHAP Es wurden Methoden zur Analyse der Aufmerksamkeit des Modells verwendet. Diese Techniken können Aufschluss darüber geben, welche Eingabebereiche oder Merkmale zum Modellausgang beigetragen haben. In der Untersuchung richtete sich die Aufmerksamkeit unter anderem auf die westlichen Regionen Polens und die Küstengebirge Kaliforniens.
Eine solche Visualisierung dient als Interpretationshilfe, stellt jedoch keinen eigenständigen Beweis dafür dar, dass das Modell in jeder Situation korrekt funktioniert. Die Erklärbarkeit muss durch Leistungsmessungen, Tests unter verschiedenen Wetterbedingungen und unabhängige Daten ergänzt werden.
Welchen praktischen Nutzen kann diese Methode haben?
Die detaillierteren Feuchtigkeitsfelder könnten in Zukunft als Eingabedaten für physikalisch basierte oder auf künstlicher Intelligenz basierende Wettermodelle genutzt werden. Sollten weitere Tests die Zuverlässigkeit der Methode bestätigen, könnte dies zu einer genaueren Beschreibung des aktuellen Zustands der Atmosphäre führen. Dies könnte die Analyse von Starkniederschlägen und anderen sich schnell ändernden Wetterlagen unterstützen.
Für die Gemeinden stellt eine genauere Vorhersage dann einen echten Vorteil dar, wenn die Informationen sie rechtzeitig erreichen, zu einer verständlichen Warnung werden und die Entscheidungsträger entsprechende Maßnahmen ergreifen können. Das Forschungsergebnis ist somit ein möglicher Bestandteil eines längerfristigen Prozesses. Sie ist nicht mit einem fertigen Warnsystem gleichzusetzen.
Die wichtigsten Einschränkungen der Studie und die daraus resultierenden Fragen
Die Ergebnisse des Modells müssen stets im Zusammenhang mit den verwendeten Daten, den geografischen Gebieten und den Testbedingungen bewertet werden. In den nächsten Untersuchungen soll geklärt werden, wie sich die Methode in anderen Regionen, zu unterschiedlichen Jahreszeiten und unter verschiedenen Wetterbedingungen bewährt. Eine weitere wichtige Frage ist, inwieweit eine höhere Auflösung die Ergebnisse der gesamten Vorhersagekette verbessert.
Vor dem operativen Einsatz muss auch überprüft werden, wie sich das Modell bei unvollständigen oder verrauschten Daten verhält und wie stabil seine Ergebnisse in Fällen sind, die während des Trainings nicht berücksichtigt wurden. Diese Fragen schmälern den Wert der Forschung nicht. Sie legen fest, welche weiteren Belege für die praktische Einführung erforderlich sind.
Das Wichtigste: Eine genauere Messung der Luftfeuchtigkeit kann das Bild der Atmosphäre verbessern
Es kommt nicht nur auf Donner und Blitze an. Auch der Feuchtigkeitsgehalt der Atmosphäre spielt eine wichtige Rolle bei der Entstehung und Entwicklung von Gewittern. GNSS-Messungen, SRGAN-basierte Verarbeitung und Erklärbarkeitswerkzeuge bieten gemeinsam neue Möglichkeiten zur räumlichen Kartierung der Luftfeuchtigkeit.
Die Ergebnisse der polnischen Forschungsgruppe sind vielversprechend, doch der praktische Nutzen der Methode muss durch weitere, umfassende Validierungen bestätigt werden. Der nächste Schritt besteht darin, zu untersuchen, ob die detaillierteren Karten die Leistung von Wettermodellen und Warnsystemen messbar verbessern.
Quelle: Satellitennavigation, DOI: 10.1186/s43020-025-00177-6.