Schnellnavigation (Accesskeys)

Inhaltsbereich

COALITION-3

Projekt

Der Zweck des operationell orientierten Systems COALITION-3 ist es, die Vorhersage von Unwetterwarnungen zu unterstützen. COALITION-3 ist ein moderner, Machine-Learning-Algorithmus, der die Intensität von Gewittern für die kommenden 45 Minuten für bestehende Gewitterzellen vorhersagt. Diese Vorhersage basiert auf der bisherigen Entwicklung des Gewitters. Bei Überschreiten der Warnschwelle für den Katastrophenschutz werden automatische Alarme generiert.

Projektanfang01.05.2018
Projektende31.12.2023
RegionNational
StatusAbgeschlossene Projekte
  • Mess- & Prognosesysteme
  • Forschung & Zusammenarbeit
  • Wetter

Fussbereich

Top Bar Navigation

Alle Schweizer BundesbehördenAlle Schweizer Bundesbehörden

Servicenavigation

COALITION-3: Context and Scale Oriented Thunderstorm Satellite Predictors Development Version 3

Während der warmen Jahreszeit entstehen im Alpenraum regelmäßig starke Gewitter. Sie werden oft von Hagel, starken Regenfällen und stürmischen Windböen begleitet. Darüber hinaus können Blitze und Sturzfluten schwere Schäden an Grundstücken und Infrastruktur verursachen und zu lebensbedrohlichen Situationen führen. Genaue Unwetterwarnungen sind daher ein wichtiges Mittel, um mögliche Schäden zu mindern und die Bevölkerung zu schützen. Die Entwicklung von Gewittern wird durch dynamische und physikalische Prozesse von mikrophysikalischen bis hin zu synoptischen Größenordnungen vorangetrieben. Die Prozesse sind auf konzeptioneller Ebene ziemlich gut verstanden, aber wenn es um die explizite Vorhersage einer Gewitterzelle geht, sind die Fähigkeiten unserer numerischen Wettermodelle begrenzt. Daher wird die Strategie des Nowcastings unter Verwendung der letzten Beobachtungen genutzt, um den aktuelle Intensität von Gewittern intelligent in die nahe Zukunft zu extrapolieren, um genauere Unwetterwarnungen auszugeben.

Ziele und Eingangsdatensätze

In den letzten Jahren wurde an der MeteoSchweiz der COALITION-3 Algorithmus entwickelt, der konzeptuelle physikalische Modelle der Gewitterentwicklung, Techniken des maschinellen Lernens und eine grosse Anzahl von Eingangsdatensätzen kombiniert, wie z.B.

  • Beobachtungen des Radarmessnetzes der MeteoSchweiz mit Dual-Polar und Doppler Kapazität
  • MSG SEVIRI Infrarot-Kanäle und Nowcasting SAF-Produkte
  • Bodengestützte Blitzbeobachtungen
  • Temperatur-, Feuchtigkeits- und Windbeobachtungen von COSMO-CH

Methodik

Der Arbeitsablauf dieses Nowcasting-Algorithmus ist wie folgt:

  • Beobachtungen von Satelliten-, Radar- und Blitzerkennungsnetzwerken werden zur Identifizierung und Verfolgung von Gewittern verwendet und beschreiben jede einzelne Zelle detailliert anhand einer Reihe von Zellparametern (Gewitterzellbiographien) mit besonderem Schwerpunkt auf die Intensität der Konvektion.
  • Die bisherige Biografie der Gewitterzelle aus Beobachtungsdaten wird durch Vorhersagen aus NWP-Modellen ergänzt, die die Umgebung der Gewitterzelle charakterisieren, welche die Entwicklung von konvektiven Stürmen beeinflusst.
  • The observational cell biographies are complemented with data from NWP models that have a good chance to predict the environment that favors the development of convective storms.
  • Ein Machine-Learning-Algorithmus wird mithilfe einer großen Anzahl von Biographien von Gewitterzellen trainiert, um die optimale Kombination von Prädiktoren zu finden und um eine Vorhersage der Entwicklung von Gewittern für die nächsten 45 Minuten zu generieren.


Die Eigenschaften des Gewitters und seiner Umgebung werden entlang des Gewitterweges aufgezeichnet. Um den Pfad des Gewitters zu konstruieren, wird seine Bewegung durch ein optisches Flussverfahren ermittelt, das in der Open-Source-Bibliothek «pysteps» implementiert ist (https://pysteps.github.io/, Pulkkinen et al., 2019).

Abbildung 1 zeigt ein Beispiel einer Gewitterentwicklung mithilfe von Satelliten- und Radar-Parameter entlang der Zugbahn des Gewitters.


COALITION-3 verwendet diese Art von Historien der Gewitterzellen, um einen maschinell lernenden Algorithmus zur Vorhersage der Stärke des Gewitters zu trainieren. Das maschinelle Lernen sind in der Lage, multivariate, nichtlineare Prozesse komplexer Systeme darzustellen und eignet sich, um eine große Anzahl von Prädiktoren zu berücksichtigen und deren optimale Kombination zu finden. Das Training erfordert eine große Anzahl von Gewitterverläufen mit bekannter Gewitterentwicklung. Daher haben wir einen Trainingsdatensatz von intensiven Gewittern über der Schweiz in der Konvektionssaison 2018 erstellt, die für operationelle Warnungen relevante Intensität erreicht haben, so dass insgesamt etwa 10'000 Momentaufnahmen von Einzelzellen entstanden sind. COALITION-3 verwendet zur Erstellung der Vorhersagen den extrem-gradient-boosting-Algorithmus XGBoost (Chen und Guestrin, 2016). Der Algorithmus verwendet eine grosse Anzahl von Entscheidungsbäumen, wobei jeder von diesen eine Reihe von Schwellenwerttests durchführt, z.B. wenn die Radarreflektivität grösser als ein bestimmter Schwellenwert ist. Durch Randomisierung der Fälle und der Prädiktoren wird eine Vielzahl ähnlicher Entscheidungsbäume generiert. Durch dieses Verfahren werden die Ergebnisse robuster und genauer.

Abbildung 2 veranschaulicht die Methode vom XGBoost-Algorithmus.


Der XGBoost-Algorithmus ist auch in der Lage, die Wichtigkeit der Prädikatoren für die Vorhersage der Gewitterintensität zu quantifizieren. Die Wichtigkeit der Prädiktoren variiert mit der Vorhersagezeit, z.B. zeigt Abbildung 3 die Wichtigkeit der Prädiktoren für eine Vorhersagezeit von 20 Minuten. In diesem Fall sind die beiden wichtigsten Parameter das Gebiet mit einer Reflektivität von mindestens 57dBZ und die maximale Radarreflektivität vor 5 Minuten. Der nächst-wichtigste Parameter ist ein Satellitenparameter, der 9,7-Mikrometer-Kanal von MSG/SEVIRI.

Produktbeschreibung

COALITION-3 sagt die Intensität des Gewitters, ausgedrückt als TRT-Rang, für die nächsten 45 Minuten voraus. Die Ergebnisse werden 5 Minuten aktualisiert und decken die Schweiz und ihre Umgebung ab, wo alle notwendigen Eingangsdaten verfügbar sind. Die räumliche Auflösung der Produkte von COALITION-3 beträgt 1 km x 1 km.

Abbildung 4 illustriert ein Beispiel einer Kürzestfristvorhersage für ein Gewitter in Baden-Württemberg, Süddeutschland am 7. August 2018. Links ist das Radarbild um 10:25 UTC. Das weisse Oval zeigt an, dass der aktuelle Zustand des Gewitters unter der niedrigsten Warnstufe liegt. Der weiße Pfeil zeigt die zu erwartende Bewegung des Gewitters an. Die entlang der Bewegungsrichtung angezeigten Farben stellen die erwartete Intensität des Gewitters innerhalb der nächsten 30 Minuten dar. Auf der rechten Seite wird dasselbe Gewitter als Zeitdiagramm dargestellt. Auf der y-Achse ist die Gewitterintensität aufgetragen. Die von MeteoSchweiz verwendeten Gewitterwarnstufen sind auf der y-Achse als grüner (mässiges Gewitter), gelber (schweres Gewitter) und roter (sehr schweres Gewitter) Bereich dargestellt. Die schwarze Linie zeigt die Entwicklung des TRT-Ranges, wie sie an diesem Tag beobachtet wurde. Die zyanfarbene Linie veranschaulicht die Annahme, dass die Gewitterintensität konstant bleibt. Die violette Linie zeigt, dass die COALITION-3-Vorhersage der Gewitterintensität. COALITION-3 sagt erfolgreich die Intensivierung des Gewitters voraus, inklusive der Überschreitung der Warnschwellen für mässige (grün) und schwere (gelb) Gewittern innerhalb der nächsten 30 Minuten.


Für weitere Informationen wenden Sie sich bitte an Ulrich Hamann oder Lorenzo Clementi.

Veröffentlichungen

Ab 2018 wurden die Ergebnisse des COALITION-3-Projekts auf verschiedenen Konferenzen, Workshops und Seminaren vorgestellt:

  • EUMETSAT's MTG / EPS-SG User Days, 2019, Darmstadt, Deutschland
    (eingeladener Vortrag)
  • 10th European Conference on Severe Storms, 2019, Krakow, Polen
    (Preis für das beste Poster “Best ECSS Poster Jury Award” für Shruti Nath et al.)
  • 3rd European Nowcasting Konferenz, 2019, Madrid, Spanien
  • EUMETSAT Konferenz 2018, Tallinn, Estonia
  • Leinonen, J., Hamann, U., Germann, U., and Mecikalski, J. R., 2021. Nowcasting thunderstorm hazards using machine learning: the impact of data sources on performance, Nat. Hazards Earth Syst. Sci. 22, 577–597, 2022, doi:10.5194/nhess-22-577-2022

Weiterführende Informationen

Über uns

MeteoSchweiz ist das Bundesamt für Meteorologie und Klimatologie. Wir fühlen Wetter und Klima den Puls – damit Sie nicht im Nebel stehen.

Bleiben Sie informiert

Informationen zu diesem Internetauftritt