Wettervorhersagen zu verbessern und gleichzeitig den Rechenaufwand zu verringern, um Kosten und Energie einzusparen – das sind die Ziele des Projekts ASPIRE. Der Meteorologe Dr. Julian Quinting vom Karlsruher Institut für Technologie (KIT) nutzt dafür wiederkehrende Signale im tropischen Pazifik, die einen wichtigen Einfluss auf die atmosphärische Zirkulation in Europa haben. Zudem entwickelt er Modelle des Maschinellen Lernens, die Effekte einer hohen Auflösung nachahmen. Für sein Projekt erhält der Nachwuchswissenschaftler nun einen Starting Grant des Europäischen Forschungsrats (ERC).
Angesichts von Energiekrise und Klimawandel wächst die Bedeutung verlässlicher Wettervorhersagen für Zeiträume zwischen zwei Wochen und zwei Monaten. So ist es wichtig zu wissen, wo die Temperaturen in vier Wochen liegen werden, um den Heizbedarf für Gebäude abzuschätzen und die Gasspeicher entsprechend aufzufüllen.
Auch gilt es, Wetterextreme wie Hitzewellen, Dürren oder Überschwemmungen möglichst genau vorherzusagen, damit Behörden und Öffentlichkeit rechtzeitig Maßnahmen ergreifen können, um Schäden zu verhindern oder zu begrenzen. Mit Vorhersagen auf der genannten Zeitskala, sogenannten subsaisonalen Prognosen, befasst sich Dr. Julian Quinting vom Institut für Meteorologie und Klimaforschung – Department Troposphärenforschung des KIT in seinem neuen Projekt ASPIRE (steht für: Advancing Subseasonal PredIctions at Reduced computational Effort). Der Europäische Forschungsrat (European Research Council – ERC) fördert das Vorhaben mit einem Starting Grant.
Wiederkehrende Muster mit hoher Vorhersagbarkeit
Dem ausgezeichneten Nachwuchswissenschaftler und seiner zukünftigen Arbeitsgruppe geht es nicht nur darum, die Präzision der Prognosen zu verbessern, sondern auch darum, den Rechenaufwand zu verringern, um die Kosten sowie den Energieverbrauch zu senken und damit auch die Treibhausgasemissionen zu reduzieren.
„Meine grundlegende Idee besteht darin, Quellen im Atmosphärensystem mit hoher intrinsischer Vorhersagbarkeit besser zu nutzen“, erklärt Quinting. „Solche Quellen sind beispielsweise wiederkehrende Muster in der Atmosphäre, die auf der Zeitskala von zwei Wochen bis zwei Monaten variieren.“
Für besonders vielversprechend hält der Meteorologe wiederkehrende Signale im tropischen Pazifik, die einen wichtigen Einfluss auf die atmosphärische Zirkulation in Europa nehmen. Diese Signale in den Tropen sind jedoch in numerischen, das heißt mit konkreten Zahlen arbeitenden Wettervorhersagemodellen nur fehlerhaft wiedergegeben, sodass sich die ihnen innewohnende Vorhersagbarkeit nicht nutzen lässt.
In ASPIRE beabsichtigt Quinting zunächst, die Repräsentation dieser Signale durch eine hohe räumliche Auflösung von Wettervorhersagen in den Tropen zu verbessern. Diese hohe räumliche Auflösung erfordert allerdings einen großen Rechenaufwand. Daher entwickelt Quinting mit seiner Arbeitsgruppe in einem zweiten Schritt Modelle des Maschinellen Lernens, welche die Effekte der hohen Auflösung nachahmen. Dies ermöglicht, den Rechenaufwand zu verringern.
Neue Möglichkeiten für Wetterdienste
„In ASPIRE wollen wir zeigen, welches Potenzial in lokal räumlich hoch aufgelösten Simulationen steckt“, sagt Quinting. „Idealerweise werden Wetterdienste vorhandene Rechenkapazitäten noch besser ausschöpfen können.“ Wenn sich der gewählte Ansatz als erfolgreich erweist, könnte die Klimaforschung ihn auch auf andere Komponenten des Atmosphärensystems anwenden, die ebenfalls eine hohe intrinsische Vorhersagbarkeit aufweisen, aber in Wettervorhersagemodellen bisher fehlerhaft repräsentiert sind.
Weitere Informationen: https://erc.europa.eu
Details zum KIT-Zentrum Klima und Umwelt: https://www.klima-umwelt.kit.edu