A geophysically constrained Transformer model for tropical cyclone track and intensity simulation over the western North Pacific and its contribution analysis

Tropische Zyklone gehören zu den gewaltigsten und zerstörerischsten Kräften auf der Erde; sie bilden sich über warmen Ozeanwassern und entfesseln dabei heftige Winde und sintflutartige Regenfälle über Küstengemeinden. Genau vorherzusagen, wohin diese Stürme ziehen werden und wie stark sie werden, ist ein ständiger Kampf für Meteorologen. Traditionelle Methoden verlassen sich auf massive Computersimulationen, die komplexe physikalische Gleichungen lösen, aber diese Systeme sind langsam, benötigen enorme Rechenleistung und haben oft Schwierigkeiten, sich schnell genug zu aktualisieren, während sich ein Sturm entwickelt. In den letzten Jahren haben Wissenschaftler versucht, den Prozess durch künstliche Intelligenz zu beschleunigen, indem sie Computerprogramme darauf trainierten, Muster in historischen Wetterdaten zu erkennen. Viele dieser digitalen Modelle agieren jedoch wie „Black Boxes“; sie können zwar Vorhersagen treffen, erklären aber nicht, warum sie diese getroffen haben, und sie ignorieren manchmal die grundlegenden physikalischen Gesetze, die bestimmen, wie sich ein Sturm bewegt und intensiviert.

Ein Forschungsteam der Beijing Normal University und der Monash University hat einen neuen Ansatz entwickelt, der diese Lücke schließt. Sie entwickelten ein hochentwickeltes Computermodell, das die Mustererkennungskraft moderner künstlicher Intelligenz mit den harten Regeln der Geophysik kombiniert. Dieses Modell, das speziell für den westlichen Nordpazifik – die aktivste Region für tropische Zyklone auf dem Planeten – konzipiert wurde, lernt aus Jahrzehnten historischer Sturmaufzeichnungen und atmosphärischer Daten. Im Gegensatz zu früheren Versuchen, die den Sturm als eine einfache Sequenz von Zahlen behandelten, ist dieses neue System „geophysikalisch beschränkt“, was bedeutet, dass es durch die tatsächlichen physikalischen Beziehungen zwischen dem Sturm und seiner Umgebung geleitet wird. Die Forscher testeten ihr Modell gegen zwei andere gängige Arten von Vorhersagewerkzeugen: eines, das aus Sequenzen von Daten über die Zeit lernt, und ein anderes, das Entscheidungsbäume basierend auf vergangenen Beispielen erstellt. Ihre Ergebnisse zeigen, dass ihr Modell durch die Berücksichtigung der physikalischen Realität des Sturms die Bahn und die Stärke eines tropischen Zyklons mit größerer Genauigkeit und Stabilität vorhersagen kann, insbesondere in den kritischen ersten Tagen im Leben eines Sturms.

Die Forscher konzentrierten sich auf den westlichen Nordpazifik, ein riesiges Ozeanbecken, in dem jedes Jahr mehr als ein Drittel der weltweiten tropischen Zyklone entsteht und das häufig Länder in Ostasien bedroht. Um ihr Modell zu trainieren, speisten sie es mit einem massiven Archiv an Informationen, darunter die aufgezeichneten Pfade und Intensitäten von Stürmen von 1949 bis 2024 sowie detaillierte Momentaufnahmen der atmosphärischen und ozeanischen Bedingungen, die jene Stürme umgaben. Das Modell lernte, den aktuellen Zustand eines Sturms zu betrachten – seinen Standort, seine Windgeschwindigkeit und seinen Kerndruck – sowie die Umgebung, wie etwa die Meeresoberflächentemperaturen und Windmuster in verschiedenen Höhen des Himmels. Es nutzte diese Informationen dann, um Schritt für Schritt vorherzusagen, wo der Sturm in der Zukunft sein würde und wie stark er sein würde, für bis zu 36 Stunden im Voraus.

Als das Team sein neues Modell einem Test unterzog, schnitt es besser ab als die Standardwerkzeuge, die zum Vergleich herangezogen wurden. Für kurzfristige Vorhersagen sechs Stunden in die Zukunft sagte das Modell den Standort des Sturms mit einem durchschnittlichen Fehler von etwa 200 Kilometern voraus, was eine signifikante Verbesserung gegenüber den anderen Methoden darstellt. Selbst bei einem längeren Ausblick auf 36 Stunden behielt das Modell ein hohes Maß an Zuverlässigkeit bei, mit einem durchschnittlichen Fehler von etwa 357 Kilometern. In Bezug auf die Vorhersage der Intensität, die durch die Geschwindigkeit der stärksten anhaltenden Winde gemessen wird, war das Modell gleichermaßen beeindruckend. Sechs Stunden im Voraus schätzte es die Windgeschwindigkeiten mit einem durchschnittlichen Fehler von nur 2,59 Metern pro Sekunde ein, und nach 3ch 36 Stunden stieg der Fehler auf 7,54 Meter pro Sekunde an. Diese Ergebnisse waren deutlich besser als die der anderen Modelle, die größere Fehler sowohl bei der Position als auch bei der Windgeschwindigkeit machten, insbesondere in den entscheidenden frühen Stunden einer Vorhersage.

Was diese Arbeit besonders wertvoll macht, ist nicht nur die Genauigkeit, sondern auch die Klarheit darüber, wie das Modell zu seinen Schlussfolgerungen gelangt. Die Forscher nutzten eine Methode, um die Schichten der künstlichen Intelligenz abzutragen und zu sehen, welche Informationen am wichtigsten waren. Sie fanden heraus, dass das Modell stark auf zwei spezifische Faktoren angewiesen war: den Luftdruck im Zentrum des Sturms und die Windgeschwindigkeit. Diese beiden Elemente machten mehr als die Hälfte der Entscheidungskraft des Modells aus. Dies deckt sich perfekt mit dem, was Meteorologen seit langem wissen: Die Intensität eines Sturms ist eng mit seinem internen Druck und seiner Windstruktur verknüpft. Das Modell berücksichtigte auch großräumige atmosphärische Muster und Ozeantemperaturen, aber diese spielten eine sekundäre Rolle und fungierten eher als Nebendarsteller denn als Haupttreiber. Dieser Befund deutet darauf hin, dass das Modell nicht nur Daten auswendig lernt, sondern tatsächlich die physikalische Logik dessen versteht, wie Stürme sich verhalten.

Das Team testete sein System auch an zwei spezifischen, realen Stürmen, um zu sehen, wie es mit komplexen Situationen umgeht. In einem Fall, in dem sich ein Sturm stetig über den offenen Ozean bewegte, verfolgte das Modell seinen Pfad mit hoher Präzision. In einem anderen Fall, bei einem Sturm, der in der Nähe der Küste rapide an Intensität gewann, identifizierte das Modell erfolgreich den Trend der Verstärkung, unterschätzte jedoch die Spitzenwindgeschwindigkeit leicht. Diese realen Tests bestätigten, dass das Modell vielfältige Bedingungen bewältigen kann, ohne unvorhersehbare oder unrealistische Sprünge in seinen Vorhersagen zu produzieren. Obwohl das Modell nicht perfekt ist und immer noch vor Herausforderungen bei den extremsten und sich am schnellsten verändernden Stürmen steht, stellt es einen bedeutenden Fortschritt dar. Durch die Kombination der Geschwindigkeit künstlicher Intelligenz mit der Zuverlässigkeit der physikalischen Wissenschaft bietet dieses neue Werkzeug eine vielversprechende Möglichkeit, Frühwarnungen zu verbessern und Gemeinschaften bei der Vorbereitung auf die gewaltigen Stürme zu helfen, die ihre Küsten bedrohen.