Wettervorhersagen sind schwierig. Um genaue Vorhersagen zu treffen, verwenden Meteorologen historische und aktuelle Wetterdaten, anhand derer sie den zukünftigen Zustand der Atmosphäre und seine Auswirkungen auf das Wetter prognostizieren. Doch welche Wetterdaten werden benötigt, um eine genaue Vorhersage zu erstellen? Meteorologen sammeln Wetterbeobachtungen zu Temperatur, Luftdruck, Luftfeuchtigkeit, Niederschlag, Windgeschwindigkeit und mehr von Wetterstationen, Wettersatelliten und Wetterballons auf der ganzen Welt. Da sich diese Wetterbedingungen im Laufe der Zeit ständig ändern, entstehen riesige Datenmengen.
Um diese Daten in eine genaue Wettervorhersage umzuwandeln, müssen die Wechselwirkungen zwischen Tausenden oder sogar Millionen von Variablen modelliert werden, die sich in einem ständigen Fluss befinden – eine Berechnung, die in der Mathematik als „hydrodynamische Differentialgleichung“ bezeichnet wird. Diese mathematischen Gleichungen sind so komplex und beinhalten so viele Daten, dass sie im Allgemeinen auf Supercomputern ausgeführt werden.
Die auf diesen Gleichungen basierende Wettervorhersage wird als numerische Wettervorhersage bezeichnet, und die Computerprogramme, die sie ausführen, heißen Wettermodelle.
Wettermodelle sind Computer-Simulationen der Atmosphäre.
Die Erdatmosphäre ist eine etwa sechzig Meilen hohe Luftschicht, in der sich die Luft – eine Flüssigkeit – aufgrund komplexer chemischer, thermodynamischer und fluiddynamischer Prozesse von einem Ort zum anderen bewegt. Theoretisch können diese Luftströme mithilfe physikalischer und mathematischer Gesetze berechnet werden – wenn man über genügend Daten und Rechenleistung sowie eine Gleichung, die das Zusammenspiel der verschiedenen Elemente genau beschreiben kann, verfügt.
Dies sind die drei integralen Bestandteile eines Wettervorhersagemodells: Wetterdaten, Rechenleistung und eine mathematische Gleichung, die die Interaktionen unterschiedlicher Wetterbedingungen in der Atmosphäre simuliert.
Damit ein Computerprogramm Vorhersagen über den zukünftigen Zustand der Atmosphäre ausgeben kann, müssen zunächst aktuelle Wetterdaten für die Region eingespeist werden, die das Modell beschreiben soll. Im Allgemeinen gibt es zwei Arten von Wettermodellen: lokale Modelle, die sich auf einen bestimmten Standort konzentrieren, und globale Modelle, die darauf abzielen, genaue Wettervorhersagen für den gesamten Planeten zu liefern.
Beide Modelltypen verwenden einen ähnlichen Prozess, der Unterschied liegt im Maßstab. Wetterbeobachtungen werden mit Wetterstationen, Wetterballons, Bojen, Radar, Wettersatelliten und mehr durchgeführt. Dabei werden Daten zu Niederschlägen und Gewittern, Windgeschwindigkeit und -richtung, Lufttemperatur und -druck usw. gesammelt. Diese Anfangsdaten, die eine Momentaufnahme darstellen, werden als „Ausgangsbedingungen“ des Modells bezeichnet. Diese Ausgangsdaten werden periodisch in regelmäßig wiederkehrenden Zeitschritten aktualisiert.
Die Daten aus diesen Anfangsbedingungen werden in einem Raster angeordnet – einer dreidimensionalen Reihe von Punkten, die den Bereich des Modells abdecken und sich nach oben in die Atmosphäre erstrecken. Bei den Rasterpunkten handelt es sich nicht um die Punkte, an denen Wetterbeobachtungen durchgeführt wurden, sondern eine computergenerierte Reihe von Orten, die räumlich gleich weit voneinander entfernt sind und in horizontaler und vertikaler Richtung verlaufen. An jedem Gitterpunkt führt das Computerprogramm einen Modelldurchlauf aus, um eine numerische Vorhersage für diesen Standort zu erstellen. Dieser Prozess wird für jeden Gitterpunkt wiederholt, bis für das gesamte Gitter Berechnungen vorgenommen wurden.
Ausgehend von diesen Ausgangsbedingungen kann das Modell dann schrittweise die Strömungen in der Atmosphäre und die sich daraus ergebenden Wetterbedingungen vorhersagen.
Die Anzahl der Gitterpunkte und der Abstand zwischen den einzelnen Gitterpunkten beeinflussen die Genauigkeit des Prognosemodells: Ein Modell mit einer hohen Anzahl von Gitterpunkten wird als „Modell hoher Auflösung“ bezeichnet und weist eine verbesserte Genauigkeit auf, Gitter mit hoher Auflösung erfordern jedoch auch mehr Rechenleistung .1
Selbst die einfachsten Prognosemodelle nutzen komplizierte mathematische Gleichungen und je mehr Daten ein Modell verwendet, desto mehr Rechenleistung benötigt es. Die ausgefeiltesten und genauesten Prognosemodelle der Welt – wie das ECMWF oder das von der NOAA verwendete High-Resolution Rapid Refresh (HRRR) – laufen auf Supercomputern, die 12 Billiarden Berechnungen pro Sekunde durchführen können.2 Einfachere Wettermodelle mit weniger Datenpunkten benötigen jedoch weniger Rechenleistung, weswegen sie nicht auf Supercomputern ausgeführt werden müssen.3
Das Wetter ist ein sogenanntes chaotisches System: Da es so viele miteinander verknüpfte Variablen umfasst, können sich kleine Abweichungen in den Anfangsbedingungen – z. B. der Unterschied zwischen einer gemessenen Windgeschwindigkeit von 6,4 km/h und 6,7 km/h – schnell vervielfachen und große Auswirkungen auf den Rest des Systems haben, was es schwierig macht, sein Verhalten im Laufe der Zeit vorherzusagen.
Aufgrund der vielen Variablen und Unbekannten, die ein Wettersystem umfasst, verlassen sich Meteorologen oft auf eine so genannte „Ensemble-Vorhersage“. Bei Ensemble-Vorhersagen werden mehrere Modellläufe mit jeweils unterschiedlichen Parametern durchgeführt, um Unsicherheiten zu berücksichtigen. Der vollständige Satz dieser Vorhersagen – das Ensemble – kann dann verwendet werden, um die Bandbreite möglicher zukünftiger Zustände der Atmosphäre zu modellieren und eine probabilistische Vorhersage des zukünftigen Wetters zu erstellen.4
Meteorologen verwenden viele verschiedene Modelle für die Wettervorhersage, oft abhängig davon, was genau sie vorhersagen möchten. Ein lokales Modell, das über eine bestimmte Region ausgeführt wird, liefert ganz andere Informationen als ein globales Modell, das sich über die gesamte Erde erstreckt. Jedes Wettermodell beinhaltet Entscheidungen darüber, welche Daten einbezogen werden sollen, welche mathematischen Gleichungen die besten Simulationen von atmosphärischen Phänomenen erzeugen und wie priorisiert wird, welche Arten von Vorhersagen am wichtigsten sind.
Kein Modell kann jedes Wetterereignis mit hoher Genauigkeit vorhersagen. Stattdessen treffen Meteorologen Entscheidungen darüber, was sie vorhersagen möchten, und entwerfen das Modell so, dass es eine hohe Genauigkeit für diese Art von Ergebnis aufweist. Eine Art von Genauigkeit kann auf Kosten anderer Arten gehen. Beispielsweise sind Modelle so konzipiert, dass sie entweder eine hohe Genauigkeit für kurzfristige Vorhersagen (bis zu 3 Tage im Voraus), mittelfristige Vorhersagen (3 bis 15 Tage im Voraus) oder langfristige Vorhersagen (10 Tage bis 2 Jahre im Voraus) aufweisen, und jede Art erfordert unterschiedliche Auswahlmöglichkeiten. Ein Meteorologe, der eine kurzfristige Vorhersage möchte, könnte sich für ein mesoskaliges Modell entscheiden, das Wetterdaten enthält, die von Punkten in einer Höhe von bis zu 1000 km in der Atmosphäre gesammelt wurden, da diese mesoskaligen Daten genauere kurzfristige Vorhersagen liefern. Für eine zuverlässigere langfristige Vorhersage könnte der Meteorologe allerdings ein nicht mesoskaliges Modell bevorzugen, d. h. eines, das Wetterbeobachtungen aus der hochgelegenen Atmosphäre ausschließt.
Meteorologen sind immer bestrebt, bestehende Wettermodelle zu verbessern. Eventuell erstellen sie auch neue Computermodelle für die Wetterforschung und -vorhersage. Da es sich bei den mathematischen Gleichungen des Modells um Simulationen der Atmosphäre handelt, testen Meteorologen verschiedene Algorithmen an und passen diese an, um zu sehen, was die genaueste Wettervorhersage ergibt. Bei einigen dieser Formeln handelt es sich um Open-Source-Formeln, andere sind proprietär.
Die beiden bekanntesten globalen Modelle sind das Global Forecast System (GFS)-Modell des National Weather Service und das European Centre for Medium-Range Weather Forecast (ECMWF)-Modell, besser bekannt als „American Model“ und „European Model“.
Das GFS aktualisiert sich viermal täglich und erstellt Vorhersagen von bis to 16 Tagen. Das ECMWF wird nur zweimal am Tag aktualisiert und erstellt eine 10-Tage-Prognose, hat jedoch eine höhere Auflösung als das GFS und in der Vergangenheit genauere Prognosen erzielt.
Ein weiteres bekanntes Prognosemodell ist das nordamerikanische Mesoskale-Modell (NAM), ein regionales Modell mit kurzer Reichweite, das ganz Nordamerika abdeckt und Prognosen für 61 Stunden generiert. NAM basiert auf dem Weather Research and Forecasting (WRF)-Modell, einem Open-Source-Modell für Vorhersagen, das auch zwei weit verbreitete Modelle unterstützt, die von der National Oceanic and Atmospheric Administration (NOAA) ausgeführt werden: das Rapid Refresh (RR oder RAP)-Modell und das High Resolution Rapid Refresh (HRRR)-Modell.
Es gibt auch noch andere Wettermodelle, wie das Canadian Meteorological Centre (CMC)-Modell, das UK Met Office-Modell, das Modell des deutschen Wetterdiensts (DWD), das Australian Bureau of Meteorology (BoM)-Modell und viele mehr. Jedes Modell ist darauf ausgelegt, genaue Vorhersagen zu erstellen, die sich auf unterschiedliche Dinge konzentrieren, unterschiedliche Daten einbeziehen und mit unterschiedlichen mathematischen Gleichungen berechnen, um die bestmögliche Genauigkeit zu erzielen. Jedes hat seine eigenen Stärken und Einschränkungen.
Gewinnen Sie Einblicke zu Klima und Wetter, um stark wirkende Umweltbedingungen frühzeitig zu erkennen, Risiken proaktiv zu managen und nachhaltigere Abläufe zu entwickeln.
Entwickeln Sie Pläne für extreme Wetterereignisse und bereiten Sie sich darauf vor, indem Sie die genauesten Wetterdaten der Welt nutzen
Präzise Wettervorhersageprodukte, die jeder Branche helfen, schnellere und intelligentere Geschäftsentscheidungen zu treffen
Unwetter und klimabedingte Störungen können sich negativ auf Ihr Geschäftsergebnis auswirken. Sie können jedoch etwas tun, um die Risiken zu mindern.
Die NASA forscht zu optimierbaren, wiederverwendbaren Grundmodellen, die es einfacher machen, umfassende Datensätze nach neuen Erkenntnissen zu durchsuchen, um die Wissenschaft voranzubringen und uns bei der Anpassung an eine sich verändernde Umwelt zu helfen.
Verheerende Hitzewellen, zerstörerische Überschwemmungen und unkontrollierbare Waldbrände – die Auswirkungen des Klimawandels sind bereits zu spüren.
Um in einer sich schnell verändernden Umgebung einen Vorsprung zu erlangen, setzen Industrieunternehmen verstärkt auf die Integration von Betriebstechnologie (OT) mit IT-Daten.
Rekordverdächtige extreme Wetterereignisse erinnern uns immer wieder daran, dass die Menschen, die Weltwirtschaft und die Umwelt untrennbar miteinander verbunden sind.
Versorgungsunternehmen benötigen wetterbezogene Daten, um zu wissen, wann sie sich mobilisieren müssen und wann nicht.
Fußnoten
1 „Weather Models“, National Oceanic and Atmospheric Administration, 18. Mai 2023. (Link befindet sich außerhalb von ibm.com)
2 Charlotte Hu, „NOAA’s powerful new weather forecasting supercomputers are now online“, Popular Science, 30. Juni 2022. (Link befindet sich außerhalb von ibm.com)
3 Steve Brenner, „What are the WRF - ARW weather model hardware and software requirements?“, Research Gate, 2015. (Link befindet sich außerhalb von ibm.com)
4 „About models“, National Weather Service. (Link befindet sich außerhalb von ibm.com)