CERBERUS: A Three-Headed Decoder for Vertical Cloud Profiles

Die Studie stellt CERBERUS vor, ein probabilistisches Inferenzframework mit einer dreiköpfigen Encoder-Decoder-Architektur, das aus Satelliten- und bodengestützten meteorologischen Daten vertikale Radarreflexivitätsprofile von Wolken unter Berücksichtigung physikalischer Unsicherheiten rekonstruiert, um die Lücke zwischen zweidimensionalen Beobachtungen und dreidimensionalen Wolkenstrukturen zu schließen.

Das Wesentliche

Titel: CERBERUS – Der dreiköpfige Wetter-Detektiv, der Wolken durchschaut

Stellen Sie sich vor, Sie stehen auf der Erde und schauen in den Himmel. Was sehen Sie? Meistens nur eine flache, weiße Decke. Das ist wie ein zweidimensionales Foto von einem dreidimensionalen Objekt. Für Wettervorhersagen und Klimamodelle ist das aber ein riesiges Problem: Wir wissen nicht genau, was innerhalb dieser Wolke passiert. Ist sie oben dünn und unten dick? Gibt es mehrere Schichten übereinander? Wo genau regnet es?

Bisherige Satelliten liefern uns nur dieses flache Foto. Bodensatelliten (Radar) können zwar in die Tiefe schauen, sind aber wie einzelne Leuchttürme – sie sehen nur sehr kleine Flecken der Erde.

Hier kommt CERBERUS ins Spiel. Der Name ist eine Anspielung auf den dreiköpfigen Höllenhund aus der griechischen Mythologie, und das ist auch genau das, was dieses neue Computerprogramm macht: Es hat drei Köpfe, um das Rätsel der Wolken zu lösen.

Das Problem: Der "Blinde Fleck"

Stellen Sie sich vor, Sie versuchen, die Struktur eines riesigen Gebäudes zu erraten, indem Sie nur von außen ein einziges Foto machen. Das ist schwierig! Ein Computer, der nur das Foto sieht, könnte denken: "Das ist ein flacher Block." Aber in Wirklichkeit könnte es ein Hochhaus mit vielen Etagen sein.

In der Meteorologie nennen wir das eine "Skalenlücke". Die Satelliten sehen die Wolkenoberfläche (2D), aber die Modelle brauchen die Wolkenstruktur von oben bis unten (3D).

Die Lösung: CERBERUS

CERBERUS ist ein künstliches Intelligenz-System, das wie ein genialer Detektiv arbeitet. Es nimmt zwei Arten von Informationen und kombiniert sie, um ein 3D-Bild der Wolke zu erschaffen:

1. Das Satelliten-Foto: Es schaut sich die Temperatur und das Licht an, das von den Wolkenoberseiten kommt (wie ein Thermometer von oben).
2. Die Boden-Informationen: Es schaut sich an, was unten passiert: Wie warm ist die Luft? Wie stark weht der Wind? Wie feucht ist es?

Wie funktioniert der "Dreiköpfige"?

Statt einfach nur eine einzige Vorhersage zu machen ("Hier ist die Wolke"), hat CERBERUS drei spezielle Aufgaben (seine drei Köpfe), die gleichzeitig arbeiten:

1. Kopf 1 (Der Wächter): Er entscheidet: "Ist hier überhaupt eine Wolke?" oder "Ist es klarer Himmel?" (Das ist wichtig, weil viele Höhen in der Atmosphäre leer sind).
2. Kopf 2 & 3 (Die Architekten): Wenn eine Wolke da ist, berechnen diese beiden Köpfe zusammen, wie sie aussieht. Sie sagen nicht nur "Hier ist Regen", sondern sie beschreiben die Form und die Unsicherheit.

Die Magie der Unsicherheit:
Das ist der wichtigste Teil. Wenn CERBERUS eine komplexe Wolke sieht (z. B. mehrere Schichten übereinander), die vom Satellitenbild schwer zu erkennen ist, sagt er nicht einfach: "Ich weiß es nicht." Er sagt: "Ich bin mir zu 80 % sicher, dass es hier regnet, aber es könnte auch sein, dass es nur Nebel ist."

Stellen Sie sich vor, Sie versuchen, durch einen dichten Nebel zu sehen. Ein normaler Computer würde raten und eine feste Linie zeichnen. CERBERUS hingegen malt einen farbigen Schattenbereich. Je unsicherer er ist, desto breiter und bunter wird der Schatten. Das ist extrem wertvoll für Wissenschaftler, denn es zeigt ihnen, wo ihre Modelle vielleicht falsch liegen.

Ein Beispiel aus dem echten Leben

Stellen Sie sich vor, es ist ein stürmischer Tag in Oklahoma.

• Das Satellitenbild zeigt eine große, dunkle Wolke.
• Das Radar am Boden sieht, dass darunter ein kleinerer Regenstreifen ist, der vom Satelliten übersehen wurde.
• CERBERUS kombiniert diese Daten. Es sagt: "Okay, oben ist eine dicke Schicht, aber unten gibt es noch eine zweite, getrennte Schicht." Und weil es sich bei dieser unteren Schicht nicht zu 100 % sicher ist, zeigt es eine breite Unsicherheitszone an.

Warum ist das so cool?

Früher haben Computer versucht, das perfekte Bild zu malen. Wenn sie daneben lagen, war das Ergebnis einfach falsch. CERBERUS gibt zu: "Ich kann das nicht perfekt sehen, aber hier ist mein bester Versuch und hier ist mein Unsicherheitsbereich."

Das hilft den Wettervorhersagen enorm:

• Es füllt die Lücken zwischen den Satellitenfotos und den Bodenradaren.
• Es sagt den Wissenschaftlern, wo ihre Modelle verbessert werden müssen (nämlich dort, wo die Unsicherheit groß ist).
• Es funktioniert auch nachts und bei verschiedenen Wetterarten.

Fazit

CERBERUS ist wie ein neuer, sehr vorsichtiger Architekt, der aus einem flachen Foto und ein paar Bodenmessungen ein dreidimensionales Wolkenmodell baut. Er weiß genau, wo er sich sicher ist, und wo er unsicher ist. Und genau diese Ehrlichkeit gegenüber der Unsicherheit macht ihn zu einem mächtigen Werkzeug, um unser Wetter und unser Klima besser zu verstehen.

Kurz gesagt: CERBERUS hilft uns, die Wolken nicht nur von oben zu sehen, sondern sie wirklich zu durchschauen.

Technische Zusammenfassung

1. Problemstellung

Atmosphärische Wolken weisen komplexe dreidimensionale Strukturen und mikrophysikalische Details auf. Die für das Lernen und die Validierung von Wetter- und Klimamodellen verfügbaren Beobachtungen sind jedoch oft unzureichend:

• Skalenmismatch: Satellitendaten bieten eine umfassende räumlich-zeitliche Abdeckung, liefern aber hauptsächlich zweidimensionale Perspektiven (Top-of-Atmosphere). Vertikal aufgelöste Messungen sind hingegen auf sparse bodengestützte Standorte und Flugzeugmessungen beschränkt.
• Folgen: Diese Diskrepanz erschwert datengesteuerte Lernverfahren und führt zu anhaltenden Unsicherheiten in der atmosphärischen Physik, da Wolkenprozesse in Modellen schlecht aufgelöst werden.
• Bestehende Ansätze: Bisherige Methoden (z. B. GANs, U-Nets, Masked Autoencoder) zielen oft nur auf Tageswolken ab, sind deterministisch (keine Unsicherheitsquantifizierung) und nutzen bodengestützte Radar-Daten als Zielgröße nicht effektiv im Kontext von Satellitendaten.

2. Methodik: Das CERBERUS-Framework

CERBERUS (Cloud Estimation with Resolved Beta-distributed Retrievals of Uncertainty and Structure) ist ein probabilistisches Inferenzframework, das vertikale Radar-Reflexivitätsprofile aus Satellitendaten und bodennahen meteorologischen Variablen ableitet.

A. Datenbasis & Vorverarbeitung

• Zielvariable: Vertikale Reflexivitätsprofile des Ka-Band-Zenith-Radars (KAZR) am ARM Southern Great Plains (SGP) Standort (Jan 2020 – März 2025). Die Daten werden auf 128 Höhenstufen (160 m bis 15 km) interpoliert und geglättet.
• Eingangsdaten:
  • 2D-Helligkeitstemperaturen des GOES-16 Satelliten (7 Kanäle, inkl. IR und sichtbar).
  • Bodennahe meteorologische Variablen aus MERRA-2 (Temperatur, Wind, Feuchtigkeit, Druck).
  • Zeitliche Kodierung (Tageszeit, Jahreszeit).
• Datenvorbereitung: Die Reflexivitätsdaten werden normalisiert. Nicht-wolkige Werte werden als Null behandelt (Schwellenwert -60 dBZ), was zu einer zero-inflated (ZI) Verteilung führt (viele Nullen, positive Werte dazwischen).

B. Modellarchitektur
CERBERUS verwendet eine Encoder-Decoder-Architektur mit drei Ausgabeköpfen (Three-Headed Decoder):

1. Encoder: Verarbeitet die 2D-Satellitenbilder mittels Conv2D-Blöcken und kombiniert diese mit eingebetteten skalaren meteorologischen Variablen (ähnlich dem FiLM-Ansatz).
2. Latent Space: Ein komprimierter Vektor fasst die Informationen zusammen.
3. Decoder & Drei Köpfe: Der Decoder projiziert den latenten Vektor auf 128 Höhenstufen und nutzt drei separate Conv1D-Ausgabeköpfe, um die Parameter einer Zero-Inflated Beta-Verteilung (ZIB) für jede Höhe vorherzusagen:
   • $\pi$: Wahrscheinlichkeit für das Vorhandensein von Wolken (Nicht-Null-Wahrscheinlichkeit).
   • $\alpha, \beta$: Parameter der Beta-Verteilung für die Reflexivität, falls Wolken vorhanden sind.

C. Trainingsziel
Anstelle eines deterministischen RMSE-Verlusts wird die Negative Log-Likelihood (NLL) der ZIB-Verteilung minimiert. Dies erlaubt dem Modell, die Unsicherheit und die Mehrdeutigkeit der Abbildung von 2D-Satellitenbildern auf 3D-Wolkenstrukturen explizit zu lernen.

3. Wichtige Beiträge

• Probabilistische Modellierung: Einführung eines Frameworks, das nicht nur einen Mittelwert, sondern eine vollständige Wahrscheinlichkeitsverteilung (inkl. Unsicherheit) für vertikale Wolkenprofile liefert.
• Zero-Inflated Ansatz: Spezifische Anpassung an die Natur von Radar-Daten, bei denen große Bereiche wolkenfrei sind (viele Nullen), durch die Kombination einer Klassifikationswahrscheinlichkeit ($\pi$) und einer Regressionsverteilung ($\alpha, \beta$).
• Skalenübergreifende Brücke: Verbindung von 2D-Satellitenbeobachtungen mit 3D-Radarprofilen unter Einbeziehung bodennaher meteorologischer Kontextdaten.
• Unsicherheitsquantifizierung: Das Modell liefert Unsicherheitsabschätzungen, die physikalisch sinnvoll sind (z. B. höhere Unsicherheit bei mehrschichtigen Wolken oder an Wolkenbasen).

4. Ergebnisse

• Leistung: CERBERUS erreicht eine hohe Klassifikationsgenauigkeit für wolkenhaltige Höhen (ROC-AUC = 0,957) und gute Regressionswerte ($R^2 > 0,6$).
• Vergleich mit Baselines: Im Vergleich zu deterministischen Modellen und Modellen ohne Zero-Inflation (nur Beta-Verteilung) zeigt CERBERUS eine signifikante Verbesserung, insbesondere bei niedrigen Höhen (< 8 km), wo der Fehler um ca. 1 dBZ reduziert wird.
• Wolkenregime:
  • Geringste Fehler (RMSE) bei flachen und dünnen Wolken (Stratocumulus).
  • Höhere Fehler bei tiefen Konvektionswolken und mehrschichtigen Systemen (Nimbostratus), was jedoch physikalisch begründet ist (schwierigere Vorhersage).
  • Das Modell zeigt bei komplexen Szenarien eine größere Vorhersagestreuung (Spread), was die physikalische Ambiguität korrekt widerspiegelt.
• Feature Importance: Infrarot-Helligkeitstemperaturen und die bodennahe Temperatur sind die wichtigsten Eingangsmerkmale. Sichtbare Reflexion ist nur tagsüber verfügbar und weniger wichtig.

5. Bedeutung und Ausblick

• Modellvalidierung: CERBERUS ermöglicht die Generierung synthetischer, modellrelevanter Wolkenbeobachtungen, die zur Kalibrierung und Evaluierung von Wetter- und Klimamodellen genutzt werden können.
• Physikalisches Verständnis: Die Fähigkeit, Unsicherheiten abzubilden, hilft Forschern zu verstehen, wo und warum Modelle versagen (z. B. bei mehrschichtigen Wolken).
• Zukünftige Arbeiten: Die Autoren planen, das Framework auf mikrophysikalische Größen (Wolkeneisgehalt, Tropfengrößenverteilung) zu erweitern und komplexere Architekturen (z. B. Mixture Density Networks oder Transformer) für globale Anwendungen zu integrieren.

Fazit: CERBERUS stellt einen wichtigen Fortschritt dar, indem es die Lücke zwischen 2D-Satellitenbeobachtungen und 3D-Wolkenstrukturen schließt und dabei die inhärente Unsicherheit dieser inversen Probleme durch probabilistische Deep-Learning-Methoden quantifiziert.