A Hybrid AI–Ontology Framework for Tropical Cyclone Forecasting, Risk Assessment, and Intelligent Disaster Decision Support

Tropische Zyklone gehören zu den gewaltigsten Kräften auf der Erde; sie bilden sich über warmen Ozeanwassern und entfesseln Wind, Regen und Sturmfluten, die Küstenlinien umgestalten und Millionen von Menschenleben bedrohen können. Seit Jahrzehnten arbeiten Meteorologen daran, vorherzusagen, wohin diese Stürme ziehen werden und wie stark sie werden. Diese Vorhersagen stützen sich auf komplexe Computermodelle, die die Bewegung und Intensität des Sturms verfolgen und Behörden so einen lebenswichtigen Vorsprung verschaffen. Es ist jedoch nur die halbe Miete, den Pfad eines Sturms zu kennen. Eine Vorhersage, die einer Stadt hohe Windgeschwindigkeiten ankündigt, ist zwar nützlich, sagt den Verantwortlichen aber nicht automatisch, welche Stadtteile am verwundbarsten sind, wie viele Menschen evakuiert werden müssen oder welche spezifischen Gefahren – wie etwa Überschwemmungen gegenüber Bauschäden – sie konkret erwarten. Die Lücke zwischen einer rohen Wettervorhersage und einem klaren, handlungsfähigen Plan zur Lebensrettung war für Katastrophenmanager lange Zeit eine Herausforderung.

Um diese Lücke zu schließen, hat ein Forscherteam ein neues System entwickelt, das die Vorhersagekraft künstlicher Intelligenz mit einer strukturierten Art, die Welt zu verstehen, bekannt als Ontologie, kombiniert. Stellen Sie sich eine Ontologie als eine digitale Wissenslandkarte vor, die Fakten über den Sturm mit Fakten über das Land und die dort lebenden Menschen verknüpft. Während künstliche Intelligenz exzellent darin ist, Muster in massiven Datenmengen zu erkennen, um die Zukunft vorherzusagen, agiert sie oft wie eine „Black Box“, die eine Zahl oder einen Pfad liefert, ohne die Logik dahinter zu erklären. Die Forscher wollten ein System bauen, das nicht nur vorhersagt, wohin ein Zyklon zieht, sondern diese Vorhersage auch in eine klare, logische Geschichte über das Risiko übersetzt. Indem sie dem Computer beibrachten, die Beziehungen zwischen Windgeschwindigkeit, Niederschlag, Bevölkerungsdichte und der Stabilität von Gebäuden zu verstehen, schufen sie ein Werkzeug, das spezifische, verständliche Ratschläge für Entscheidungsträger generieren kann.

Das Team testete dieses hybride Framework anhand von drei realen Zyklonen, die den Golf von Bengalen trafen: Amphan im Jahr 2020, Yaas im Jahr 2021 und Remal im Jahr 2024. Das System arbeitet in zwei Hauptphasen. Zuerst nutzt es eine Art künstliche Intelligenz namens Long Short-Term Memory Network, um historische Wetterdaten zu analysieren. Dieses Modell untersucht eine Sequenz vergangener Beobachtungen – wie die Position, Geschwindigkeit und den Luftdruck des Sturms –, um dessen Pfad für die nächsten vierundzwanzig Stunden vorherzusagen. Gleichzeitig schätzt ein zweites KI-Modell die Ausdehnung der Gefahrenzone des Sturms und bestimmt, wie weit die gefährlichen Bedingungen vom Zentrum entfernt reichen werden. Diese Vorhersagen sind nicht bloß Zahlen; sie werden in die zweite Phase des Systems, die ontologiebasierte Denkmaschine, eingespeist.

Diese Denkmaschine fungiert als Übersetzer. Sie nimmt den vorhergesagten Pfad und die Größe des Sturms und legt sie über ein detailliertes digitales Profil der betroffenen Region. Dieses Profil enthält statische Informationen, die sich nicht ändern, wie etwa die Lage von Städten, die Bevölkerungsdichte, die Art der Gebäude in der Gegend und die lokale Geografie. Das System wendet dann einen Satz logischer Regeln auf diese kombinierten Daten an. Wenn die KI beispielsweise hohe Windgeschwindigkeiten vorhersagt und die Ontologie weiß, dass ein bestimmtes Gebiet viele alte, fragile Strukturen besitzt, folgert das System ein hohes Risiko für Bauschäden. Wenn die Vorhersage starken Regen beinhaltet und das Gebiet tiefliegend ist, folgert es ein hohes Überschwemmungsrisiko. Das Ergebnis ist eine umfassende Risikobewertung, die über einfache Wetterdaten hinausgeht und kritische Fragen beantwortet: Wie schwerwiegend ist die Bedrohung? Welche Gebiete liegen in der roten Zone? Wie viele Menschen sind gefährdet?

Als das Team dieses Framework auf den Zyklon Amphan anwandte, den zerstörerischsten der drei, arbeitete das System mit hoher Genauigkeit. Die KI sagte die Zugbahn des Sturms mit einem durchschnittlichen Fehler von etwa 72 Kilometern über einen Zeitraum von vierundzwanzig Stunden voraus, eine Präzision, die mit anderen fortschrittlichen Deep-Learning-Methoden vergleichbar ist. Viel wichtiger war, dass die Denkmaschine das Ereignis korrekt als „schwere“ Bedrohung identifizierte, eine rote Risikozone zuwies und eine Alarmstufe mit hoher Priorität empfahl. Sie schätzte, dass etwa 640.000 Menschen gefährdet waren, eine Zahl, die eng mit der tatsächlichen, massiven Notfallreaktion während des realen Ereignisses übereinstimmte. Das System unterschied erfolgreich zwischen der extremen Gefahr von Amphan und den etwas geringeren, wenn auch immer noch signifikanten Risiken durch die Zyklone Yaas und Remal. Für Yaas deklarierte das System ebenfalls eine rote Zone und eine hohe Alarmstufe, während es für Remal korrekt ein moderates Risiko feststellte, eine gelbe Zone vorschlug und eine geringere Dringlichkeit anzeigte.

Die Studie zeigt, dass die Kombination aus prädiktiver künstlicher Intelligenz und strukturierter Wissenslogik ein nützlicheres Werkzeug für das Katastrophenmanagement schafft, als es entweder der eine oder der andere Ansatz allein könnte. Die künstliche Intelligenz bewältigt die schwierige Mathematik der Vorhersage der Zukunft des Sturms, während die Ontologie-Ebene sicherstellt, dass diese Vorhersagen durch die Linse der lokalen Realität interpretiert werden. Dies ermöglicht es dem System, Ergebnisse zu liefern, die nicht nur aus präzisen Zahlen bestehen, sondern aus verständlichen Anweisungen, wie etwa spezifischen Evakuierungsanordnungen oder Unterbringungshinweisen. Die Forscher fanden heraus, dass dieser Ansatz erfolgreich rohe meteorologische Daten in strukturierte, semantische Risikoinformationen transformierte, denen Entscheidungsträger vertrauen und auf denen sie agieren konnten. Während das aktuelle System auf historischen Daten und vordefinierten Regeln basiert, schlagen die Autoren vor, dass zukünftige Versionen Echtzeitdaten von Satelliten und Wetterstationen einbeziehen könnten, um das System noch reaktionsschneller zu machen. Letztendlich bietet diese Arbeit einen vielversprechenden Weg zu Katastrophenmanagementsystemen, die nicht nur klug genug sind, den Sturm vorherzusagen, sondern auch weise genug, um seine wahre Auswirkung auf die Menschen und Orte zu verstehen, die sie bedrohen.