Storm surge forecasts from a global tide-gauge network

Küstenüberschwemmungen sind eine komplexe Bedrohung, aber ihre tödlichste Komponente ist oft die Sturmflut: eine Wasserwand, die durch den Wind und den Druck eines Sturms an Land gedrückt wird. Im Gegensatz zu einem Tsunami, der durch ein Erdbeben ausgelöst wird, ist eine Sturmflut eine direkte Reaktion auf das Wetter. Für Gemeinschaften, die am Rande des Ozeans leben, ist das Wissen darüber, wann diese Wasserwand eintreffen wird und wie hoch sie steigen wird, eine Frage von Leben und Tod. Doch die Fähigkeit, diese Ereignisse vorherzusagen, ist nicht gleichmäßig verteilt. Während wohlhabende Nationen mit dedizierter Finanzierung und fortschrittlichen Computermodellen zuverlässige Warnungen herausgeben können, bleiben weite Teile der Weltküsten, insbesondere in Entwicklungsländern und kleinen Inselstaaten, ohne jegliche lokale Prognosehilfe. Die Lücke zwischen jenen, die Warnungen erhalten, und jenen, die keine haben, lässt Millionen Menschen gegenüber einer Gefahr verwundbar zurück, die sich mit dem steigenden Meeresspiegel voraussichtlich noch verschlimmern wird.

Jahrzehntelang haben sich Wissenschaftler auf massive, physikbasierte Computersimulationen verlassen, um diese Sturmfluten zu modellieren. Diese Modelle versuchen, den gesamten Ozean und die Atmosphäre zu rekonstruieren, indem sie berechnen, wie Wind und Druck mit der Form des Meeresbodens interagieren. Obwohl diese Simulationen leistungsstark sind, sind sie rechenintensiv und erfordern ständig hochwertige Daten, um zu laufen. Infolgedessen können sie oft nicht die spezifische, lokale Orientierung bieten, die für jede Küstenlinie der Erde erforderlich ist. In den letzten Jahren ist ein anderer Ansatz entstanden: die Nutzung künstlicher Intelligenz, um Muster aus historischen Daten zu lernen. Die meisten dieser bisherigen Versuche waren jedoch begrenzt. Sie konnten Sturmfluten nur für die spezifischen Orte vorhersagen, für die sie trainiert worden waren, oder sie stützten sich auf synthetische Daten, die die chaotische Realität des Ozeans nicht widerspiegelten. Die Herausforderung blieb: Könnte ein einzelnes Modell aus dem weltweiten Netzwerk von Pegelstationen lernen und dann erfolgreich Sturmfluten an Orten vorhersagen, die es zuvor noch nie gesehen hat?

In einer neuen Studie gingen die Forscher Heshan Chen und Andrew Kruczkiewicz dieser Frage nach, indem sie ein Modell entwickelten, das auf einem globalen Netzwerk von 760 Pegelstationen trainiert wurde. Sie haben das Modell nicht nur darauf trainiert, Muster an diesen spezifischen Standorten zu erkennen; sie testeten seine Fähigkeit, Sturmfluten an 84 verschiedenen Pegelstationen und in ganzen Regionen vorherzusagen, die absolut keine Daten zum Trainingsprozess beigesteuert hatten. Dies ist als „Zero-Shot-Test“ bekannt, ein strenger Standard in der Vorhersagewissenschaft, der fragt, ob ein System sein Wissen auf völlig neue Umgebungen übertragen kann. Die Ergebnisse waren beeindruckend. Das Modell sagte Sturmfluten an 81 von 84 Test-Pegelstationen erfolgreich voraus und schlug dabei eine einfache Methode namens „Persistenz“ – die davon ausgeht, dass der Wasserstand genau so bleibt, wie er im Moment ist – an fast jedem Standort. Dies schloss Pegelstationen auf jedem bewohnten Kontinent ein, von Afrika bis Südamerika, was bewies, dass das Modell die zugrunde liegende Physik davon gelernt hatte, wie Stürme Wasser bewegen, anstatt nur die lokale Geschichte auswendig zu lernen.

Die Forscher fanden heraus, dass der Erfolg des Modells stark von der Diversität der Daten abhing, mit denen es gefüttert wurde. Es reichte nicht aus, einfach eine große Anzahl von Pegelstationen zu haben; die Stationen mussten verschiedene Arten von Küstenlinien und Sturmverhaltensweisen repräsentieren. Als das Team das Modell an Regionen testete, die es zuvor nie gesehen hatte, wie etwa Europa oder Japan, schnitt das Modell gut ab, aber seine Genauigkeit war eng mit der Frage verknüpft, wie gut diese spezifischen Küstenumgebungen im Trainingsdatensatz repräsentiert waren. Beispielsweise hatte das Modell etwas mehr Schwierigkeiten mit den einzigartigen windgetriebenen Sturmfluten der Nordsee, da diese spezifische Art von Küste im Trainingsdatensatz weniger häufig vorkam. Wenn sie jedoch die Diversität des Trainingsdatensatzes durch das Hinzufügen von Pegelstationen aus verschiedenen Teilen der Welt erhöhten, verbesserte sich die Fähigkeit des Modells, Sturmfluten in diesen unbekannten Regionen vorherzusagen, signifikant. Dies deutet darauf an, dass der Schlüssel zur globalen Vorhersage nicht nur mehr Daten sind, sondern Daten, die die volle Vielfalt dessen erfassen, wie der Ozean auf das Wetter reagiert.

Ein kritischer Teil der Studie bestand darin, das Modell unter realen Bedingungen zu testen. Während die ersten Tests perfekte historische Wetterdaten verwendeten, um zu sehen, wozu das Modell fähig ist, ließen die Forscher es auch mit tatsächlichen Wetterprognosen laufen, die Fehler und Unsicherheiten enthalten. Selbst mit diesen unvollkommenen Eingaben behielt das Modell vier Fünftel seiner Leistungsfähigkeit bei und übertraf die einfache Persistenzmethode immer noch an 72 von 79 Pegelstationen. Dies ist ein entscheidender Befund für den operativen Einsatz, da es beweist, dass das System mit den unvollkommenen Daten arbeiten kann, die echte Wettervorhersager tatsächlich zur Verfügung haben. Das Modell zeigte auch, dass das Vorhandensein eines Live-Feeds der lokalen Wasserstände die wichtigste Information ist. Als das Modell den aktuellen Wasserstand an einer bestimmten Pegelstation erhielt, sprang seine Genauigkeit dramatisch in die Höhe. Ohne diese lokale Beobachtung war das Modell zwar immer noch besser als der Zufall, konnte aber nicht die Präzision eines Systems erreichen, das genau weiß, wo das Wasser im Moment des Beginns der Vorhersage steht.

Die Studie verglich diesen neuen Ansatz der künstlichen Intelligenz auch mit dem derzeit besten verfügbaren physikbasierten globalen Modell, das den Goldstandard für die Sturmflutenvorhersage darstellt. In einem direkten Vergleich, bei dem beide Systeme dieselbe lokale Wasserstandsbeobachtung erhielten, war das KI-Modell bei allgemeinen Bedingungen mit einer Vorlaufzeit von acht Stunden genauer. Während der intensivsten Stürme waren beide Systeme ähnlich leistungsfähig, wobei keines der beiden eindeutig dominierte. Das physikbasische Modell behielt jedoch in spezifischen Umgebungen, wie etwa der halbumschlossenen Ostsee, einen Vorteil, wo die Sturmflut durch Windmuster über das gesamte Becken und nicht nur an einem einzelnen Punkt angetrieben wird. Dies unterstreicht, dass das KI-Modell zwar ein leistungsstarkes neues Werkzeug ist, es aber nicht die Notwendigkeit ersetzt, in jeder Situation physikbasierte Modelle einzusetzen. Stattdessen sind die beiden Ansätze komplementär: Das KI-Modell bietet einen Weg, hochwertige, lokale Vorhersagen für die vielen Küstenlinien zu bringen, die derzeit keine haben, während Physikmodelle für komplexe, großräumige Ozeandynamiken essenziell bleiben.

Der vielleicht praktischste Aspekt dieser Arbeit ist die Fähigkeit des Modells, nicht nur eine einzelne Vorhersage, sondern ein Spektrum an Möglichkeiten bereitzustellen. Die Forscher trainierten das Modell darauf, eine „Wahrscheinlichkeitshülle“ auszugeben, die Vorhersagern mitteilt, wie hoch die Wahrscheinlichkeit ist, dass das Wasser bestimmte Höhen erreicht. Während die Punktvorhersage des Modells die absoluten Spitzenwerte der extremsten Stürme manchmal unterschätzte, war die Wahrscheinlichkeitshülle gut kalibriert. Sie deckte die überwiegende Mehrheit der Stunden während eines Sturms ab und gab Einsatzleitern ein zuverlässiges Gefühl für das Risiko. Obwohl die Hülle nicht in jedem einzelnen extremen Ereignis den absoluten Spitzenwert erfasste, lieferte sie ein viel besseres Bild der Gefahr als die einfache Annahme, dass der Wasserstand auf dem aktuellen Niveau bleiben würde. Diese probabilistischen Informationen sind genau das, was für fundierte Entscheidungen über Evakuierungen und Ressourcenallokation benötigt wird.

Die Auswirkungen dieser Forschung reichen weit über die technischen Details des Modells hinaus. Erstmals gibt es eine bewährte Methode, um kompetente, lokale Sturmflutvorhersagen für jede Küstenlinie der Welt zu erstellen, sofern eine Pegelstation als Ausgangspunkt vorhanden ist. Diese Fähigkeit könnte die Art und Weise, wie Frühwarnsysteme aufgebaut werden, grundlegend verändern, insbesondere in den am wenigsten entwickelten Ländern und kleinen Inselstaaten, die historisch gesehen aus dem globalen Vorhersagenetzwerk ausgeschlossen waren. Die Forscher betonen, dass eine Vorhersage zu haben nur der erste Schritt ist; das Umwandeln dieser Vorhersage in eine lebensrettende Warnung erfordert lokale Verwaltung, Finanzierung und die Kapazität zum Handeln. Indem sie jedoch die technische Barriere beseitigen, für jede einzelne Küste ein lokales, physikbasiertes Modell zu benötigen, öffnet diese Arbeit die Tür für eine gerechtere Verteilung von Sicherheit. Die Studie kommt zu dem Schluss, dass der Weg nach vorne darin besteht, das globale Netzwerk von Pegelstationen kontinuierlich zu erweitern und diese Modelle zu verfeinern, um die verbleibenden Lücken in der Küstendiversität zu schließen, damit die nächste Generation von Warnungen jeden erreicht, unabhängig davon, wo er lebt.