CORDIS - Forschungsergebnisse der EU
CORDIS

Improving Subseasonal and Seasonal sUmmer forecast over southern Europe through machine Learning

Article Category

Article available in the following languages:

Dank maschinellem Lernen Hitzewellen besser vorhersagen

Forschende setzten ein fortgeschrittenes subsaisonales bis saisonales Prognosemodell auf der Grundlage von Maschinenlernalgorithmen ein, um regionale monatliche Durchschnittstemperaturen über Südeuropa mit einer einmonatigen Vorlaufzeit vorherzusagen.

Klimawandel und Umwelt icon Klimawandel und Umwelt

Angesichts der in weiten Teilen Europas zu verzeichnenden Rekordzahl von Tagen mit extremer Hitzebelastung wäre es eine Untertreibung zu sagen, dass der Sommer 2023 heiß war. In Südspanien gab es mindestens 60 Tage, an denen die gefühlten Temperaturen zwischen 38 und 46 °C lagen, wobei in einigen Gebieten das Quecksilber mehrfach über 46 °C stieg. Da die Prognose derartiger extremer Hitzeereignisse eine besondere Herausforderung darstellt, ist es für die Behörden schwierig, Maßnahmen zu ergreifen, um die Menschen vor ihren potenziell tödlichen Auswirkungen zu schützen. „Traditionelle Wettervorhersagesysteme weisen eine Vorhersagbarkeitsgrenze von etwa zehn Tagen auf“, sagt Marie Drouard, Forscherin am Institut für Geowissenschaften (Website auf Spanisch) in Spanien. „Aber um uns vorzubereiten und die Gesellschaft besser vor dem Klimawandel und den damit einhergehenden extremen Wetterereignissen zu schützen, brauchen wir zuverlässige Vorhersagen für längere Zeiträume.“ Das Team des Projekts ISSUL, das im Rahmen der Marie-Skłodowska-Curie-Maßnahmen unterstützt wurde, begab sich auf die Suche nach Lösungen.

Verbesserte Nutzung subsaisonaler bis saisonaler Vorhersagemodelle

Das ISSUL-Team konzentrierte sich auf die Entwicklung fortgeschrittener subsaisonaler bis saisonaler (S2S) Vorhersagemodelle. „Subsaisonale bis saisonale Modelle liegen zwischen Wetter- und Klimavorhersage und sind im Wesentlichen erweiterte Wettervorhersagen, die es uns gestatten, Vorhersagen zu treffen, die länger als zwei Wochen, aber kürzer als eine Jahreszeit sind“, erklärt Drouard, die als Projektkoordinatorin fungierte. Konkret ging es bei dem Projekt darum, die Nutzung von subsaisonalen bis saisonalen Daten zur Vorhersage von Hitzewellen in Südeuropa zu verbessern. Zu diesem Zweck wurde im Rahmen des Projekts ein relativ neuer Ansatz im Bereich der Extremwettervorhersage verwendet: das maschinelle Lernen. „Unser subsaisonales bis saisonales Prognosemodell beruht sowohl auf einem Optimierungsalgorithmus, der darauf abzielt, die optimalen Prädiktoren aus einem Pool von Triebkräften auszuwählen, als auch auf einem Regressionsalgorithmus zur Vorhersage des Auftretens von Hitzewellen“, ergänzt Drouard.

Regionale monatliche Durchschnittstemperaturen erfolgreich vorhersagen

Nach einigen Feinabstimmungen und zusätzlichen Tests gelang es den Forschenden, mithilfe des Maschinenlernmodells die regionalen monatlichen Durchschnittstemperaturen auf der Iberischen Halbinsel mit einer einmonatigen Vorlaufzeit vorherzusagen. Diese Errungenschaft bestätigt jüngste Studien über die Vorhersage extremer Hitzewellen unter Einsatz flacher Maschinenlernmodelle. Unter Einsatz desselben Vorhersagemodells zeigten die Forschenden zudem, dass es schwieriger ist, ein komplexes Ziel wie die monatliche Intensität einer regionalen Hitzewelle vorherzusagen. „Unser Modell konnte keine fachgerechte Vorhersage für den regionalen Hitzewellen-Intensitätsindex treffen“, berichtet Drouard. „Obwohl das als ein negatives Ergebnis betrachtet werden könnte, zeigt es doch, dass Extremereignisse nur schwer vorhergesagt werden können, und hier bestätigt sich, dass noch mehr getan werden muss.“ Dennoch konnten die Forschenden nachweisen, dass es wiederkehrende Gruppen optimaler Prädiktoren gibt, was darauf hindeutet, dass die Vorhersagbarkeit sommerlicher Hochtemperaturen und Extreme weiter verbessert werden kann.

Demonstration der Vorteile von Vorhersagemodellen mit maschinellem Lernen

Das ISSUL-Projekt ist Teil einer größeren Anstrengung der wissenschaftlichen Gemeinschaft, bei der es darum geht, unsere Fähigkeit zur Vorhersage extremer Wetterereignisse über lange Zeiträume zu verbessern. „Die Arbeit im Rahmen des Projekts ISSUL hat nicht nur bestätigt, dass Prognosemodelle mit maschinellem Lernen fachgerechte Vorhersagen für regionale monatliche Sommermitteltemperaturen liefern können, sondern auch, dass solche Vorhersagen einfacher zu erstellen und somit einsatzbereit sind“, schließt Drouard.

Schlüsselbegriffe

ISSUL, maschinelles Lernen, Hitzewellen, subsaisonale bis saisonale Vorhersage, Extremwetter, Wettervorhersage, Klimawandel

Entdecken Sie Artikel in demselben Anwendungsbereich