Does Feature Engineering Improve Meteorological Predictions Across Asia?

Die Luft über uns ist niemals still. Sie verschiebt sich, wirbelt und reagiert in einem chaotischen Tanz aus Hitze, Feuchtigkeit und Druck, der darüber entscheidet, ob die Ernte eines Bauern überlebt oder eine Stadt sich auf einen Sturm vorbereiten muss. Seit Jahrzehnten versuchen Wissenschaftler, diese Bewegungen mithilfe massiver Computermodelle vorherzusagen, die die Physik der Atmosphäre simulieren. Obwohl diese Simulationen leistungsstark sind, sind sie unglaublich teuer in der Ausführung und haben manchmal Schwierigkeiten mit der schieren Komplexität lokaler Wetterereignisse. In den letzten Jahren hat ein anderer Ansatz an Boden gewonnen: der Einsatz von maschinellem Lernen. Dies sind Computerprogramme, die Muster aus riesigen Mengen historischer Wetterdaten lernen, um zukünftige Vorhersagen zu treffen. Es gibt jedoch einen Haken. Wenn man einem Programm für maschinelles Lernen nur Rohzahlen füttert – wie die Temperatur oder die Windgeschwindigkeit zu einem bestimmten Zeitpunkt –, übersieht es oft das große Ganze. Es erkennt nicht, dass das heutige Wetter tief mit dem gestrigen verbunden ist oder dass die Jahreszeiten einem vorhersehbaren Zyklus folgen. Um dies zu beheben, nutzen Wissenschaftler eine Technik namens Feature Engineering. Dies ist der Prozess, bei dem manuell neue Hinweise erstellt werden, die der Computer untersuchen kann. Anstatt ihm nur die Temperatur zu geben, geben sie ihm vielleicht auch die Temperatur von vor drei Tagen oder eine Berechnung, wie Temperatur und Luftfeuchtigkeit interagieren. Die Hoffnung ist, dass diese zusätzlichen Hinweise dem Computer helfen, das Wetter besser zu verstehen. Doch eine bleibende Frage bleibt: Hilft es immer, mehr Hinweise hinzuzufügen, oder kann es die Maschine manchmal verwirren?

Ein Team von Forschern aus Universitäten in Iran und ganz Asien setzte sich zum Ziel, diese Frage in großem Maßstab zu beantworten. Sie betrachteten nicht eine einzelne Stadt oder eine einzige Art von Wetter; stattdessen untersuchten sie den gesamten asiatischen Kontinent, eine Region, die so vielfältig in ihrem Klima wie in ihrer Geografie ist und sich vom gefrorenen Norden bis zu den schwülen Tropen erstreckt. Sie sammelten tägliche Wetterdaten von 1.634 verschiedenen Wetterstationen über einen Zeitraum von vierundzwanzig Jahren. Ihr Ziel war es, fünfzehn verschiedene Methoden zur Datenaufbereitung für ein Modell des maschinellen Lernens zu testen. Einige Methoden waren einfach und fügten lediglich das Datum oder den Wochentag hinzu. Andere waren komplex und erstellten neue Variablen, indem sie verschiedene Wetterfaktoren miteinander multiplizierten oder berechneten, wie sich das Wetter in der letzten Woche verändert hatte. Sie testeten diese Methoden gegen acht verschiedene Wettervariablen: Temperatur, Luftfeuchtigkeit, Luftdruck, Windgeschwindigkeit, Bewölkung, Niederschlag sowie die täglichen Höchst- und Tiefsttemperaturen. Sie verwendeten ein Standardmodell des maschinellen Lernens, bekannt als Random Forest, um zu sehen, welche Methode der Datenaufbereitung die genauesten Vorhersagen lieferte.

Die Ergebnisse waren überraschend und zeigten, dass es keine einzelne „beste“ Art gibt, Wetterdaten aufzubereiten. Die Forscher fanden heraus, dass das Hinzufügen von konstruierten Merkmalen (engineered features) die Genauigkeit der Vorhersagen in weniger als der Hälfte der getesteten Fälle verbesserte. Tatsächlich machten die zusätzlichen Hinweise bei etwa 42 Prozent der Kombinationen aus Station und Variable einen statistisch signifikbaren Unterschied. Aber für den Rest war der zusätzliche Aufwand entweder nutzlos oder in einigen Fällen sogar aktiv schädlich. Die Studie zeigte, dass der richtige Ansatz vollständig davon abhängt, was man vorhersagen möchte und wo man es vorhersagen möchte. Wenn man beispielsweise den Luftdruck vorhersagt, funktionierte die komplexeste Methode am besten. Durch die Einbeziehung jedes möglichen Hinweises, von der Jahreszeit bis hin zu den Luftdruckmessungen der vorangegangenen Tage, konnte das Modell seine Vorhersagefehler über den gesamten Kontinent hinweg um 41–42 % reduzieren. Das ist sinnvoll, da sich der Luftdruck langsam und vorhersehbar ändert, sodass der Computer von einer langen Historie an Daten profitiert, die er studieren kann.

Doch die Geschichte sah bei extremen Temperaturen ganz anders aus. Als die Forscher versuchten, die täglichen Höchst- oder Tiefsttemperaturen vorherzusagen, führte das Hinzufügen komplexer Merkmale oft dazu, dass das Modell schlechter abschlug. In fast der Hälfte der Fälle bei den Minimumtemperaturen war der einfachste Ansatz – die Verwendung der reinen Rohdaten ohne jegliches zusätzliches Engineering – am genauesten. Die Forscher vermuten, dass bei diesen spezifischen Extremen die Basisdaten bereits alle notwendigen Informationen enthalten und das Hinzufügen weiterer Komplexität nur Rauschen einführt, das den Computer verwirrt. Ähnlich verhielt es sich bei der Luftfeuchtigkeit und der Windgeschwindigkeit: Einfache zeitbasierte Hinweise, wie das Wissen über den Monat oder den Wochentag, waren meist ausreichend. Die komplexesten Methoden boten für diese Variablen kaum oder gar keinen Nutzen.

Auch der Standort der Wetterstation spielte eine entscheidende Rolle. Die Forscher entdeckten ein klares Muster beim Übergang von den Tropen nach Norden. In den warmen, tropischen Regionen Südostasiens und Indiens bestand die erfolgreichste Methode zur Vorhersage von Temperatur und Bewölkung darin, Interaktionsmerkmale zu erstellen. Dies sind mathematische Kombinationen, die es dem Computer ermöglichen zu sehen, wie Temperatur und Luftfeuchtigkeit zusammenwirken, was in Klimazonen, in denen Land und Luft auf komplexe Weise interagieren, entscheidend ist. Doch als sie weiter nach Norden in kältere Regionen wie Sibirien und Kasachstan vorstießen, wurden diese komplexen Interaktionen weniger nützlich. In diesen höheren Breitengraden waren einfachere, zeitbasierte Merkmale ausreichend. Die Studie fand auch heraus, dass Niederschlag die am schwierigsten zu verbessernde Variable war. Keine einzige Methode funktionierte überall gut, und die Verbesserungen waren oft klein und verstreut, was die unvorhersehbare Natur des Regens widerspiegelt.

Letztlich liefert diese Forschung einen klaren Fahrplan für jeden, der maschinelles Lernen zur Wettervorhersage nutzt. Sie beweist, dass die Vorstellung einer universellen Lösung ein Mythos ist. Man kann nicht einfach denselben Satz an Datentricks auf jedes Wetterproblem anwenden und erwarten, dass es funktioniert. Die beste Strategie ist, spezifisch zu sein: Verwenden Sie komplexe, umfassende Datensätze für den Druck; verlassen Sie sich auf einfache Zeitmarkierungen für die Luftfeuchtigkeit und den Wind; und vermeiden Sie es, die Dinge zu sehr zu verkomplizieren, wenn Sie extreme Temperaturen vorhersagen. Darüber hinaus ist der Ort der Vorhersage ebenso wichtig wie die Variable selbst. Was in einem tropischen Regenwald funktioniert, kann in einer gemäßigten Ebene scheitern. Durch das Verständnis dieser Nuancen können Wissenschaftler Modelle bauen, die nicht nur intelligenter sind, sondern auch ehrlicher darüber, was die Daten ihnen sagen können und was nicht. Die Studie kommt zu dem Schluss, dass die Zukunft der Wettervorhersage nicht im Hinzufügen von Komplexität um der Komplexität willen liegt, sondern in der sorgfältigen Auswahl der richtigen Werkzeuge für den richtigen Ort und die richtige Aufgabe.