Künstliche Wetterdaten mit Machine Learning erzeugen

Projektitel: Generating Artificial Weather Data with Machine Learning

Projektdauer: März 2023 bis heute

Forschungsbereich: Kombinierte Ereignisse, Klimawissenschaft, Meteorologie

Das Studieren seltener Wetterereignisse erfordert große Beobachtungsdatensätze. Ein Jahrhundertereignis tritt definitionsgemäß im Erwartungswert nur einmal in 100 Jahren auf. Forschende, die sich für die Auswirkungen extremer Ereignisse interessieren, verwenden daher Modelle, um zu simulieren, welche Wettersituationen in einem interessierenden System besonders starke Folgen auslösen, etwa in hydrologischen Einzugsgebieten, Wäldern oder landwirtschaftlichen Kulturen.

Große Datensätze mit „künstlichen Wetterdaten“, also Daten, die die Statistik realer Wetterverläufe nachbilden, können dabei helfen, Muster im Verhalten dieser Wirkungsmodelle zu erkennen und so das Verständnis sowohl des Modells als auch des realen Systems zu verbessern. Dieses Promotionsprojekt nutzt Methoden der probabilistischen Modellierung und des Machine Learning, um solche künstlichen Daten zu erzeugen.

Ziele

Das Ziel des Projekts „Generating Artificial Weather Data with Machine Learning“ ist es, eine flexibel anwendbare Methodik zu entwickeln, mit der künstliche Wetterdaten für verschiedene Wirkungsmodelle erzeugt werden können. Die simulierten Daten sollen statistische Eigenschaften realer Wetterdaten erfassen, darunter räumlich-zeitliche Abhängigkeiten, Extreme und multivariate Zusammenhänge.

Problem

Das Wettersystem ist chaotisch und besteht aus vielen Komponenten, die auf mehreren Zeitskalen nichtlinear miteinander wechselwirken. Wettergeneratoren zu entwickeln, die die daraus entstehenden Abhängigkeitsstrukturen erfassen, ist daher eine große Herausforderung. Hinzu kommt, dass nur eine endliche Menge an Beobachtungen als Trainingsdaten zur Verfügung steht. Außerdem verändert der Klimawandel die Statistik des Wetters.

Technologien

Statistische Methoden, etwa Resampling, Ähnlichkeitsmetriken und Markov-Ketten.
Deep Learning, insbesondere Verfahren aus der Modellierung von Videos und Bildern.

Team

Leitung
Jonathan Wider

Teammitglieder
Prof. Dr. Jakob Zscheischler