Ziele und Eingangsdatensätze
Zur Erstellung der COALITION-4 Nowcasting-Produkte werden bodengestützte Radar- und Blitzdaten, Satellitenbeobachtungen und Wettermodellvorhersagen mit Methoden des maschinellen Lernens (der künstlichen Intelligenz) ausgewertet. Diese sind in der Lage, multivariate nichtlineare Prozesse komplexer Systeme darzustellen und eine große Anzahl von Prädiktoren zu berücksichtigen. Prädiktoren sind Informationen, auf denen die Vorhersage basiert: Die Radardaten liefern Informationen über die Hydrometeore (Regen, Hagel, Eiskristalle etc.), während die bildgebenden Satellitensensoren die Wolken beobachten. Und das Wettermodell errechnet z.B. den Wasserdampfgehalt in der Atmosphäre. Mithilfe der Prädiktoren kann der aktuelle Zustand des Gewitters und der atmosphärischen Umgebung erfasst und die weitere Entwicklung abgeschätzt werden. Da es zahlreiche mögliche Prädiktoren gibt, muss eine Auswahl getroffen werden, in die unser Wissen über die zugrundeliegenden dynamischen und physikalischen Prozesse einfließt.
In diesem Projekt wurden bereits folgende Meilensteine erreicht:
- Vorbereitung auf die Nutzung von Beobachtungen der MTG-Imager Satellitenmissionen für das Gewitter-Nowcastingdurch Verwendung von qualitativ ähnlichen Beobachtungen von GOES ABI und GOES GLM als Vorläuferdaten für MTG-Messungen in einem Entwicklungsalgorithmus. Die Ergebnisse wurden in Leinonen et al, 2021a veröffentlicht.
- Entwicklung einer Deep-Learning-Architektur zum Nowcasting von Gewittergefahren. Zuerst wurden neuronale Netze mit Faltungen (convolutional neural network) implementiert, die in der Lage ist, räumliche Strukturen in den Eingangsdaten (z.B. vom Gewitteramboss oder auf dem Radarbild) mithilfe von Faltungsschichten zu analysieren. Um unser Modell im Vergleich zu anderen Lösungen zu testen, nahmen wir am Wettbewerb «Weather4cast 2021» teil, der vom Institute of Advanced Research in Artificial Intelligence (IARAI) in Zusammenarbeit mit der Nowcasting-SAF organisiert wurde. Unser Modell erreichte den ersten Platz sowohl in der Core- und Transfer-Learning-Reihe als auch im IEEE Big Data Wettbewerb. Die Ergebnisse wurden in Leinonen, 2021b und Leinonen, 2021c veröffentlicht.
- Im Anschluss wurde die Modellarchitektur erweitert. Es wurden rekurrente Verbindungen eingeführt, um die zeitliche Entwicklung der Gewitter besser zu erfassen. Die Architektur wurde somit zu einem rekurrenten neuronalen Netzwerk mit Faltungen (recurrent-convolutional neural network, RCNN). Weiterhin wurde es ermöglicht, mehr Prädiktoren mit unterschiedlicher räumlicher Auflösung zu analysieren. Dann wurde dieses Modell darauf trainiert, Blitze im Kurzfristbereich vorherzusagen.Die Ergebnisse wurden in Leinonen et al, 2022 veröffentlicht.
- Danach wurde das Modell erweitert, um auch Hagel und Starkniederschlag vorherzusagen. Des Weiteren wurde die Bedeutung der verschiedenen Eingangsgrössen (wie Radar, Satellit und Wettermodell) für die verschiedenen Zielgrössen (Blitze, Hagel und Starkniederschlag) untersucht. Die Ergebnisse wurden in Leinonen et al, 2023 veröffentlicht.