KI-basiertes System warnt früher vor Sturzfluten

Eine neu entwickelte Software namens TACLS (Transient Artifact and Continuous Learning System) soll die Warnung vor plötzlichen Hochwassern in den Vereinigten Staaten grundlegend verbessern. Das System kombiniert Satellitendaten mit künstlicher Intelligenz, um Sturmfronten und atmosphärische Feuchtigkeit in Echtzeit zu analysieren und Warnungen auszugeben, bevor schwerer Regen fällt. Bisher stützten sich die Wetterbüros des National Weather Service (NWS) primär auf lokale Niederschlagsmesser, Radar und Vorhersagemodelle, was oft erst während des Ereignisses zu späten Warnungen führte. TACLS adressiert dieses zeitkritische Defizit. Die Technologie nutzt das Global Navigation Satellite System (GNSS), das eigentlich der Erdbebenüberwachung dient. Bodensensoren und Satelliten messen dabei die Laufzeitverzögerung von Signals zwischen beiden, die direkt mit der Menge an atmosphärischem Wasserdampf korreliert. Je höher die Feuchtigkeit, desto größer die Verzögerung. Dieses sogenannte „precipitable water“-Signal ermöglicht Prognosen, noch bevor Niederschlag auftritt. Zur Auswertung der komplexen Zeitreihendaten entwickelte Bhavik Chandna von der University of California San Diego (UCSD) ein Machine-Learning-Modell auf Basis einer Long Short-Term Memory-Architektur. Das System wurde mit historischen GNSS-Daten, Daten zu atmosphärischen Flüssen und früheren Hochwasserwarnungen trainiert, um Muster zu erkennen und Fehlalarme durch isolierte Sensorausfälle zu filtern. Entwickelt wurde TACLS in einer Kooperation von UCSD, dem NWS und der NASA. Finanziert durch das Advanced Information Systems Technology Program der NASA, befindet sich die Software bereits im Pilotbetrieb in den Wettervorhersagebüros von Los Angeles und San Diego, wo Hochwasserereignisse aufgrund des Klimas und der Topographie häufig auftreten. Die verbesserte Grafikkonsole mit detaillierten Kartenansichten wird ab der zweiten Oktoberhälfte für alle 122 NWS-Stellen in den USA und seinen Territorien bereitgestellt. Der NWS-Experte Jayme Laber betont, dass das Tool die Entscheidungsfindung der Meteorologen nicht ersetzt, sondern als präzises Frühwarnsystem ergänzt, das insbesondere in der westlichen USA-Region aufgrund der dichten GNSS-Infrastruktur effizient funktioniert. Experten wie Ivory Small vom NWS San Diego und der unabhängige Forscher Joel Johnson von der University of Texas stufen die Integration von Machine Learning in die Wetterwarnung als vielversprechend ein. Die Kombination aus Echtzeit-Messdaten und künstlicher Intelligenz soll die Vorwarnzeiten deutlich verkürzen und im Katastrophenfall Leben retten. Die Forscher um Projektleiter Yehuda Bock gehen davon aus, dass das Konzept weltweit übertragbar ist, sofern eine GNSS-Abdeckung und lokale Wettersensoren vorhanden sind. TACLS markiert damit einen signifikanten Schritt hin zu datengesteuerten, prädiktiven Katastrophenvorsorgesystemen.