29. Nov. 2019
Die Kreuzung Potsdamer/Kurfürstenstraße in Berlin während eines heftigen Sommerregens am 30. Mai 2016.

Die Kreuzung Potsdamer/Kurfürstenstraße in Berlin während eines heftigen Sommerregens am 30. Mai 2016.

Moderne Wettervorhersagen haben mit Regengebieten die größten Schwierigkeiten. Bei Starkregenereignissen liegen die Prognosen in 70 Prozent der Fälle daneben. Ein Verbundprojekt des Forschungszentrums Jülich mit dem Deutschen Wetterdienst und drei Universitäten will jetzt die Vorhersage von Starkregen mit Hilfe von künstlicher Intelligenz verbessern.

Am 2. Juli 2011 ging Kopenhagen buchstäblich baden. Nach einem heißen Sommertag waren Gewitterwolken aufgezogen und gegen 19:00 Uhr öffnete der Himmel seine Schleusen. 135 Liter Wasser rauschten innerhalb von nur zwei Stunden auf jeden Quadratmeter nieder. Um 21:00 Uhr war das Spektakel vorüber und ein Schaden von gut sechs Milliarden Kronen, rund 400 Millionen Euro, entstanden. Betroffen war nur das Zentrum der dänischen Hauptstadt. Im 30 Kilometer entfernten Roskilde feierten die Besucher eines Festivals ungerührt weiter und freuten sich über ein bisschen Abkühlung von oben. Auch der Flugbetrieb auf dem Kopenhagener Flughafen verlief nahezu ungestört. Entsprechend überraschend kam das Unwetter. Zwar hatten die Wetterdienste Dänemarks und Deutschland schon den ganzen Tag vor steigendem Gewitterrisiko gewarnt, aber den genauen Ort und Zeitpunkt hatten sie nicht vorhersagen können.

Deutschlandkarte mit einem ausgedehnten Regengebiet, das mit Hilfe eines Regenradars kartiert wurde.

Deutschlandkarte mit einem ausgedehnten Regengebiet, das mit Hilfe eines Regenradars kartiert wurde.

Bild: FZJ/Martin Schultz
Der neuer Superrechner

Der neuer Superrechner "Juwels" des Forschungszentrums Jülich, auf dem "Deep Rain" lernen wird.

Bild: FZJ/Martin Schultz
Durch Starkregen überfluteter Parkplatz auf dem US-Marinestützpunkt Norfolk. Der Wolkenbruch war Teil des Hurrikans Isobel, der am 18. September 2003 an Land ging.

Durch Starkregen überfluteter Parkplatz auf dem US-Marinestützpunkt Norfolk. Der Wolkenbruch war Teil des Hurrikans Isobel, der am 18. September 2003 an Land ging.

Bild: US Navy (CC0)
Mitglieder des

Mitglieder des "Deep Rain"-Teams vor dem Wetterradar der Universität Bonn.

Bild: FZJ/Martin Schultz
1 / 4

Deutschlandkarte mit einem ausgedehnten Regengebiet, das mit Hilfe eines Regenradars kartiert wurde.

Bild: FZJ/Martin Schultz

Der neuer Superrechner "Juwels" des Forschungszentrums Jülich, auf dem "Deep Rain" lernen wird.

Bild: FZJ/Martin Schultz

Durch Starkregen überfluteter Parkplatz auf dem US-Marinestützpunkt Norfolk. Der Wolkenbruch war Teil des Hurrikans Isobel, der am 18. September 2003 an Land ging.

Bild: US Navy

Mitglieder des "Deep Rain"-Teams vor dem Wetterradar der Universität Bonn.

Bild: FZJ/Martin Schultz

Auch heute, fast zehn Jahre später, lassen sich Wolkenbrüche nicht gut vorhersagen. "Vorhersagemodelle haben da generell Probleme. Die grobe Charakteristik für größere Gebiete kommt meist gut hin, aber der genaue Ort und Zeitpunkt eines Starkregenereignisses sind tendenziell vom Modell nicht richtig abgebildet", erklärt Jan Keller vom Deutschen Wetterdienst. Die Folge: In 70 von 100 Fällen liegen aller gestiegenen Rechenpower zum Trotz die Prognosen daneben und lassen den Kunden buchstäblich im Regen stehen. Um die Regenvorhersage zu verbessern, werden die verschiedensten Methoden erprobt, von engmaschigen Radarnetzen bis zu Crowd-Ansätzen mit den barometrischen Sensoren von Smartphones.

Jan Keller ist am Verbundprojekt "Deep Rain" beteiligt, das es mit künstlicher Intelligenz versucht, konkret mit dem massiven Einsatz von maschinellem Lernen. "Diese modernen Maschinenlern-Verfahren sind darauf angelegt, dass man wirklich Riesendatenmengen angeht und sie aus diesen riesigen Datenmengen eben ihre Muster erkennen können", erklärt Projektleiter Martin Schultz vom Supercomputer-Zentrum des Forschungszentrums Jülich. Kern von "Deep Rain" ist ein selbstlernendes Neuronales Netz, das aus den Modellvorhersagen des DWD Informationen über Regengebiete herausfischen soll. "Wir sind sehr gespannt, was die künstliche Intelligenz da liefern kann", meint Jan Keller.

Mehr als 600 Terabyte Daten zum Lernen

Trainingscamp für die künstliche Intelligenz von "Deep Rain" ist das Supercomputerzentrum in Jülich. Die Daten, an denen das Netzwerk die Muster für Regengebiete lernen soll, sind inzwischen vom DWD-Rechenzentrum dorthin übertragen worden: Über 600 Terabyte Modell- und Radardaten für das komplette Bundesgebiet, die die Jahre 2011 bis 2018 abdecken. Das Gros sind die Simulationsdaten des DWD-Wettermodells COSMO-DE, das alle drei Stunden Wettervorhersagen für die darauf folgenden 27 Stunden produziert. Dazu kommen die Messdaten der insgesamt 17 Wetterradarstationen des DWD, die zeigen, wie sich das Wetter tatsächlich entwickelt hat. Aus ihnen wollen die Forscher Karten generieren, in denen das KI-System nach Mustern der sich entwickelnden Regengebiete suchen kann.

Obwohl es Wochen dauerte, um auch nur die Datenmengen aus dem Rhein-Main-Gebiet ins Rheinland zu überspielen, ist das Trainingsmaterial für das "Deep-Rain"-Netzwerk gar nicht so üppig. "Es regnet tatsächlich, man mag es kaum glauben, nur in zehn Prozent aller Fälle", so Martin Schultz, "das bedeutet, dass wir 90 Prozent der Daten eigentlich gar nicht benutzen können, um auf Regen zu lernen." Noch frugaler sind die Informationen über die echten Wolkenbrüche. Schultz: "Der Deutsche Wetterdienst hat herausgefunden, dass es im Zeitraum von etwa zehn Jahren an jeder Messstation höchstens achtmal zu wirklichen Starkregen-Ereignissen kommt. Das bedeutet, dass wir eben eine nur sehr geringe Zahl von Fällen haben, auf die wir diese neuronalen Netzwerke trainieren können."

Testgebiet ist der Harz

Bis Ende 2020 wollen die Forscher des Verbundprojektes, an dem auch die Universitäten von Bonn und Osnabrück und die Jacobs Universität in Bremen beteiligt sind, testen, was das selbst lernende KI-Netzwerk in Sachen Regen auf die Beine stellt. Die Herausforderung ist immens. "Regen ist im Grunde eben sehr chaotisch", erklärt Martin Schultz, "es sind sehr viele Prozesse, die auf sehr kleinen Skalen ablaufen, wie Wirbel und Wolken." Auch das Gelände hat einen großen Einfluss auf Ort und Stärke des Niederschlages. So regnen sich die Wolken auf der einen Hügelseite ab, während es auf der anderen Seite trocken bleibt. Die Wettervorhersage des DWD operiert dagegen mit einem vergleichsweise groben Raster, bei dem die Maschenweite rund zwei Kilometer beträgt. Da können lokal begrenzte Wetterphänomene wie Regengebiete durchfallen.

Begonnen wird mit einem Testgebiet, dem Harz. Das steile Profil des norddeutschen Gebirges erleichtert die Sache, denn hier ist ziemlich klar, wie sich Regengebiete verhalten, wenn sie im Herbst vom Atlantik heransegeln. Martin Schultz und seine Kollegen haben sich die Region daher mit Bedacht ausgesucht, um die KI-Methode zu erproben. "Wenn die etwas Einfaches nicht hinbekommt, dann gibt es wenig Chancen, dass sie etwas Komplizierteres hinbekommen würde", so Schultz. Später soll sich die künstliche Intelligenz auch mit den sommerlichen Wärmegewittern im Harz und schließlich auch mit anderen Regionen beschäftigen.

Verfahren soll Ergebnisse der Wettermodelle korrigieren

Beim Deutschen Wetterdienst will man das Verfahren, wenn es sich bewährt, zur Fehlerkorrektur der Modellvorhersagen einsetzen. Schon heute findet nach jeder neuen Wettersimulation ein Korrekturschritt statt. Für jede einzelne der DWD-Regenmessstationen werden die vom Modell ausgespuckten Regendaten mit statistischen Modellen geprüft und gegebenenfalls angepasst. Aber dieses Verfahren gilt nur für den Standort der jeweiligen Station. "Da wird dann wirklich nur das Extremereignis dieser Station gesehen und nicht dasjenige, das irgendwo auf dem gesamten Gebiet stattgefunden haben kann", erklärt DWD-Forscher Jan Keller. Denn die Messstationen sind weder zahlreich noch gleichmäßig genug über die Fläche Deutschlands verteilt, um einen akkuraten Überblick über das Geschehen zu vermitteln. "Auch wenn die Stationen dicht zusammen sind, weiß man nicht, ob man jetzt das Maximum dieses Ereignisses getroffen hat, oder eben nur den Randbereich". so Keller, "deswegen ist es dann immer sehr schwer in den Punkt-Daten zu sehen, ob das jetzt ein Starkregenereignis war und wie stark es eigentlich war."

Das neuronale Netz kontrolliert dagegen das Geschehen nicht an einzelnen Stationen, sondern die Wetterkarten von Deutschland, die das Modell erzeugt, insgesamt und kann so Muster in der Fläche erkennen. Keller: "Wenn man jetzt diese flächige Information hat, dann hat man eigentlich eine relativ gute Abdeckung über ganz Deutschland, sodass man da dann viele Ereignisse mitnehmen kann, die man vorher nicht sehen konnte."

Selbst wenn die künstliche Intelligenz die in sie gesetzten Hoffnungen erfüllt, wird ihr Einsatz noch einige Jahre auf sich warten lassen. "Das ist eher was für die mittlere Frist, vielleicht vier bis fünf Jahre, wenn alles gut läuft", schätzt Jan Keller.