3 Min. LesezeitDaten und KI

Hybrid Weather Twin: Physikmodelle mit maschinellem Lernen kombinieren

Im Mai 2022 beschrieb TempoQuest einen Hybrid Weather Twin: physikbasierte Wettermodelle, kombiniert mit maschinellem Lernen. Was jede Modellart gut kann und wo die Kombination heute im Einsatz ist.

Die Erde aus dem Orbit, in zwei Hälften geteilt: die linke Hälfte als leuchtend grüne und blaue Modelldaten mit weißen Konturlinien gezeichnet, die rechte als echtes Satellitenbild von Wolken über Land und Meer.

Erstmals veröffentlicht am 11. Mai 2022 · Aktualisiert am 16. November 2026

Wer eine Data-Science-Abteilung leitet und Wettervorhersagen braucht, hat heute zwei Arten von Modellen zur Auswahl. Physikbasierte Modelle lösen die Gleichungen der Atmosphäre und brauchen sehr viel Rechenleistung. Machine-Learning-Modelle liefern nach dem Training schnell eine Vorhersage, wissen aber nur, was ihre Trainingsdaten ihnen beigebracht haben. Die meisten Teams brauchen am Ende beides. Im Mai 2022 beschrieb TempoQuest ein Konzept, das es Hybrid Weather Twin nannte, einen hybriden Wetterzwilling, der physikbasierte Modelle mit maschinellem Lernen kombiniert. Dieser Artikel greift die Idee wieder auf: was vorgeschlagen wurde, was jede Modellart gut kann und wo die Kombination heute real im Einsatz ist.

Was das Konzept von 2022 vorschlug

Ein digitaler Zwilling ist ein digitales Abbild eines physischen Systems, das mit Messungen am realen Objekt aktuell gehalten wird. Der Artikel von 2022 übertrug den Begriff auf das Wetter. Sein hybrider Zwilling verband ein physikbasiertes Vorhersagemodell mit datengetriebenen Modellen, die mit Beobachtungen trainiert wurden.

Das Konzept setzte maschinelles Lernen an drei Stellen der Vorhersagekette ein:

  1. Vor dem Modell, um Beobachtungen auszuwählen und aufzubereiten.
  2. Im Modell, als Ersatz für die teuersten Physikberechnungen.
  3. Nach dem Modell, um Muster und Ausreißer in der Ausgabe zu finden und lokalen Bias zu korrigieren.

Das Wort hybrid verwendete es auch für die Infrastruktur: CPU und GPU, Cloud und vor Ort, öffentliche und private Daten. Das folgende Diagramm stammt aus jenem Artikel.

Schichtdiagramm des Hybrid-Weather-Twin-Konzepts von 2022. Von unten nach oben: hybride Infrastruktur (CPU und GPU), hybride Bereitstellung (Cloud und vor Ort), Datenquellen, Datentransformation und -assimilation, hybride Modelle, die ein physikbasiertes WRF-Modell mit Machine-Learning-Modellen verbinden, Nachbearbeitung sowie Ausgaben als API, Visualisierung und Bericht.

Der Hybrid Weather Twin war ein Konzept, kein Produkt.

Was jede Modellart gut kann

Physikbasierte Modelle gehen von den Bewegungsgesetzen und der Thermodynamik aus. Ihre Stärken:

  • Sie können eine Situation simulieren, die noch nie beobachtet wurde, weil sie nicht auf Beispiele aus der Vergangenheit angewiesen sind.
  • Ihre Ausgabe ist vollständig und physikalisch konsistent: jede Variable in jeder Gitterzelle.
  • Ihr Verhalten lässt sich auf eine Ursache zurückführen, und das zählt, wenn eine Vorhersage angezweifelt wird.

Ihr Preis ist Rechenleistung, und feine Gitter brauchen viel davon.

Machine-Learning-Modelle lernen Muster aus historischen Daten. Ihre Stärken:

  • Einmal trainiert, liefern sie schnell eine Vorhersage.
  • Sie können die lokalen Eigenheiten eines Standorts lernen, die einem Physikmodell entgehen, etwa einen gleichbleibenden Bias an einem Mast.

Ihre Grenze sind die Trainingsdaten. Ein Modell, das mit groben oder kurzen Datenreihen trainiert wurde, kann weder Details noch Extreme erzeugen, die es nie gesehen hat.

Deshalb ergänzen sich die beiden Ansätze. Das Physikmodell kann die detaillierten, konsistenten Daten erzeugen, die das lernende Modell braucht. Das lernende Modell kann das Physikmodell anhand von Beobachtungen korrigieren.

Wo die Kombination heute im Einsatz ist

Hier sind drei aktuelle Beispiele.

Ausgaben von Physikmodellen als KI-Trainingsdaten

Details auf feinem Gitter sind kein Beleg für Vorhersagegüte. Lesen Sie, wie man eine Vorhersage bewertet, einschließlich eines begrenzten historischen Vergleichs mit Lidarbeobachtungen.

Die Lehre für jedes hybride System steckt in diesem Befundpaar. Die Kombination schlug die Referenz, wo der Lauf auf feinem Gitter allein es nicht tat, und das zeigte erst die Bewertung anhand von Beobachtungen.

Verifikation als Schiedsrichter

Jede Kombination braucht einen Schiedsrichter. Die übliche Verifikation bewertet eine Vorhersage anhand von Stationen, Lidar oder Radar, mit Maßen wie Bias, mittlerem absolutem Fehler und der Wurzel des mittleren quadratischen Fehlers. Davon getrennt entwickelt TempoQuest ein Forecast Verification Tool, das die Verifikation von Wettervorhersagen verbessern soll.

Fragen, die Sie klären sollten, bevor Sie ein solches System bauen

  • Woran messen Sie die Vorhersage? Wählen Sie zuerst die Beobachtungen und das Fehlermaß. Ohne sie können Sie nicht erkennen, ob eine Kombination hilft.
  • Sind die Trainingsdaten fein genug? Auflösung und zeitliche Taktung des Trainingsdatensatzes begrenzen, was das gelernte Modell zeigen kann.
  • Was passiert außerhalb des Trainingsbereichs? Planen Sie das Rekordereignis ein. Behalten Sie eine physikbasierte Vorhersage im Ablauf, für Bedingungen, die das gelernte Modell nicht gesehen hat.
  • Wer betreibt das Physikmodell? Sie können WRF mit AceCAST selbst auf GPUs rechnen oder sich die Daten nach Ihrer Spezifikation liefern lassen.

Nächste Schritte

Maßgeschneiderte Daten anfragen oder AceCAST ansehen.

Ihre Vorhersage

Haben Sie eine eigene Frage zur Vorhersage?

Sagen Sie uns, welcher Entscheidung sie dienen soll. Ein kurzes Formular genügt, um das Team zu erreichen, und wir prüfen jede Anfrage.