Am 2. Juli 2011 ergoss sich eine wahre Sintflut über Kopenhagen. Nach einem heißen Sommertag waren Gewitterwolken aufgezogen, und abends rauschten innerhalb von zwei Stunden 135 Liter Wasser auf jeden Quadratmeter der Stadt herab. Schlagartig wurden Keller, Geschäfte, Erdgeschoss-Wohnungen geflutet – selbst die Hauptstraßen standen unter Wasser. Es herrschte Chaos. Als das Unwetter abzog, war ein Schaden von rund 400 Millionen Euro entstanden. Betroffen war jedoch nur das Zentrum von Kopenhagen. Ein paar Kilometer weiter fiel nur ein lauer Sommerregen:
"Obwohl die Modelle deutlich besser geworden sind in der Vorhersage von Regen, gibt es da immer noch eine ganze Menge an Unsicherheiten."
Weil Regen chaotisch ist, sind die Prognosen oft fehlerhaft
Auch heute lassen sich solche Wolkenbrüche nicht gut vorhersagen, erklärt Martin Schultz vom Supercomputing Center im Forschungszentrum Jülich: "Vor allem bezieht sich das auf die genaue Vorhersage von Ort und Zeit von Regen. Man ist mittlerweile schon ganz schön gut, wenn es darum geht, über einem Gebiet die Menge von Regen vorherzusagen, oder auch überhaupt über einem größeren Gebiet, ob es irgendwie dort regnen wird oder nicht. Aber die genaue lokale Vorhersage ist immer noch das, was sehr, sehr großen Forschungsaufwand erfordert."
In 70 von 100 Fällen liegen die Prognosen trotz gestiegener Rechenpower daneben. Das Problem: Regen ist chaotisch: Wolken, Wirbel, Berge, Täler, Städte, Seen – das alles hat Einfluss darauf, wie sich der Regen lokal ausbreitet und wie heftig er ausfällt: "Diese Effekte sind stark ausgeprägt und können oft in den Modellen nicht wirklich abgebildet werden, weil dafür die Modellskala noch zu grob ist."
Künstliche Intelligenz soll Vorhersagen zuverlässiger machen
Vielleicht, so eine Hoffnung der Forscher, kann Künstliche Intelligenz weiterhelfen. Das Projekt heißt "Deep Rain". Es geht um ein selbstlernendes neuronales Netz, das aus den Modellvorhersagen des Wetterdiensts Informationen über Regengebiete herausfischen soll. Doch die Statistik erweist sich als schwierig. Der Grund: Zwar wurden für den Zeitraum zwischen 2011 und 2018 mehr als 600 Terabyte Modell- und Radardaten in das Jülicher Supercomputerzentrum übertragen. Aber:
"Es regnet tatsächlich nur in zehn Prozent aller Fälle. Das bedeutet, dass wir 90 Prozent der Daten eigentlich gar nicht benutzen können, um auf Regen zu lernen. Dazu kommt, dass, wenn wir eben auch wissen wollen, ob es stark regnet, die Statistik noch einmal schwieriger wird. So hat der Deutsche Wetterdienst herausgefunden, dass es im Zeitraum von etwa zehn Jahren an jeder Messstation höchstens acht Mal zu wirklichen Starkregen-Ereignissen kommt."
Doch das bedeutet, dass es eben eine nur sehr geringe Zahl von Fällen gibt, mit denen sich die neuronalen Netzwerke trainieren lassen. Und das ist ein Nachteil bei dieser Methode.
Trainingsdaten für das neuronale Netz sind Mangelware
Um zu sehen, ob sie überhaupt funktioniert, ist der Harz als Testgebiet erkoren worden. Sein markantes Relief erleichtert die Sache, denn wegen der steilen Hänge ist ziemlich klar, wie sich dort Regengebiete verhalten. Das ist ideal, um die KI-Methode zu überprüfen:
"Wenn die etwas Einfaches nicht hinbekommt, dann gibt es wenig Chancen, dass sie etwas Komplizierteres hinbekommen würde."
Bewährt sich das Verfahren, will der DWD, der Deutsche Wetterdienst, es zur Fehlerkorrektur der Modellvorhersagen einsetzen. Denn das Netzwerk der DWD-Stationen nicht dicht genug, um einzelne Starkregengebiete zu erfassen. Das KI-Modell soll jedoch die Muster in der Fläche erkennen. So hoffen die Forscher Ereignisse zu sehen, die sie vorher nicht erkennen konnten. Und damit dann die Vorhersage zu verbessern. Im Lauf des Jahres sollen die ersten Ergebnisse vorliegen.
