KI liefert beste Wettervorhersage

Einklappen
X
 
  • Zeit
  • Anzeigen
Alles löschen
neue Beiträge

  • shoulders
    antwortet
    Ich könnte das tun, will mir aber nicht wieder aus irgendwelchen anonymen Ecken vorwerfen lassen, die Leser des Forums mit zu wortreichen Ergüssen, womöglich gar OT, zu überlasten - anders wird man der Fragestellung jedoch nicht gerecht, wenn man sich nicht auf ein verkürzendes Bullshit-Bingo einlassen mag. Und das unweigerlich folgende anonyme Gestichel gegen meine Arbeit habe ich auch satt.

    Wenn Du mir allerdings eine PN mit verifizierbaren Realnamen schickst, kannst Du gerne einen Artikelauszug dazu bekommen.

    Einen Kommentar schreiben:


  • MarcAnton
    antwortet
    Zitat von shoulders
    Wenn man aus vorhandenen Daten extrapoliert und sich diese zuletzt sprunghaft geändert haben, muss diese Änderung einbezogen werden. Ein Beispiel sind exponentielle Kurven. Nun reduziert das aber nicht nur die Gewichtung älterer Daten - je extremer die Änderungen für viele Kenngrößen werden, um so unsicherer sind auch deren Zusammenhänge untereinander (und Kipppunkte sind hierbei noch gar nicht einbezogen). Deshalb stoßen die vorhandenen Modellierungen an ihre Grenzen.
    Deep learning ist aber mehr als extrapolieren aus vorhandenen Daten. Wie erklärst du dir denn die im Science Artikel beschriebenen Erfolge des experimentellen Modells?

    Einen Kommentar schreiben:


  • shoulders
    antwortet
    Wenn man aus vorhandenen Daten extrapoliert und sich diese zuletzt sprunghaft geändert haben, muss diese Änderung einbezogen werden. Ein Beispiel sind exponentielle Kurven. Nun reduziert das aber nicht nur die Gewichtung älterer Daten - je extremer die Änderungen für viele Kenngrößen werden, um so unsicherer sind auch deren Zusammenhänge untereinander (und Kipppunkte sind hierbei noch gar nicht einbezogen). Deshalb stoßen die vorhandenen Modellierungen an ihre Grenzen.

    Einen Kommentar schreiben:


  • MarcAnton
    antwortet
    Zitat von shoulders
    Es darf aber auch angenommen werden, dass die aktuellen Prognoseachwächen darauf hindeuten, dass grundlegend neue Klimamodelle wahrscheinlicher als die Koppelung der vorhandenen mit historischen Daten Erfolg versprechen. Warten wir's einfach ab.
    Kannst du erklären wieso das angenommen werden kann? Was du da formulierst ist doch ein dynamisches System mit vielen Unbekannten.. ich bin zwar kein Experte für deep learning aber von Statistik verstehe ich ein bisschen was, und Signal in komplexem teilsystematischen Rauschen zu finden war, dachte ich, einer der Vorteile; insbesondere wenn große Mengen an objektiven Daten zur Validierung vorliegen - was bei der Wetterbeobachtung ja der Fall ist.

    Einen Kommentar schreiben:


  • Dennis_the_menace
    antwortet
    KI ist in den meisten Fällen heutzutage ein Marktetingwort und dementsprechend überreizt. Dahinter verbergen sich zu 99% normale Algorithmen.
    KI bedeutet schließlich lernfähig, wird aber auch häufig verwendet für all das was adaptiv ist (wie zum Beispiel das automatische Ausschneiden eines Hintergrunds in Photoshop).

    Was genau hinter diesem Wettermodell steckt, ob dieses tatsächlich lernfähig ist, oder sich nur adaptiert, das kann ich nicht beurteilen. Möglich wäre es, da es zu den berechneten Erwartungswerten recht präzise Messungen gibt.

    Hier wäre eine Evolution eh langsam überfällig, gefühlt passen die alten Wettermodelle seit einiger Zeit nicht mehr zum geänderten Klima.

    Einen Kommentar schreiben:


  • shoulders
    antwortet
    Es darf aber auch angenommen werden, dass die aktuellen Prognoseachwächen darauf hindeuten, dass grundlegend neue Klimamodelle wahrscheinlicher als die Koppelung der vorhandenen mit historischen Daten Erfolg versprechen. Warten wir's einfach ab.

    Einen Kommentar schreiben:


  • MarcAnton
    antwortet
    Zitat von shoulders
    Die Idee, KI für (Wetter-)Prognosen zu verwenden, ist gerade bei uns nicht neu. Die App bzw. der Dienst Paraglideable nutzt schon länger KI für die Kombination von Wetterprognosen und historischen (Flug-)Daten, um das Flug- und Streckenpotential vorherzusagen - und es fällt auf, dass der Dienst in den letzten beiden Jahren (Klimawandel?) immer häufiger kräftig daneben liegt...
    Ich denke, es darf angenommen werden, dass zwischen einem ambitionierten Hobbyprojekt wie paraglidable, und einem in Science publizierten, von einer Alphabet Tochter erarbeiteten deep learning Applikation, ein kleiner Unterschied besteht :-D

    Einen Kommentar schreiben:


  • Dünendude
    antwortet
    Also bei mir funktioniert Paraglidable besser als der dhv bei letzterem ist entweder Föhn oder anspruchsvolle Thermik die schnell überfordern kann da könnte man nur einmal im Monat fliegen gehen

    Einen Kommentar schreiben:


  • shoulders
    antwortet
    Die Idee, KI für (Wetter-)Prognosen zu verwenden, ist gerade bei uns nicht neu. Die App bzw. der Dienst Paraglideable nutzt schon länger KI für die Kombination von Wetterprognosen und historischen (Flug-)Daten, um das Flug- und Streckenpotential vorherzusagen - und es fällt auf, dass der Dienst in den letzten beiden Jahren (Klimawandel?) immer häufiger kräftig daneben liegt...

    Einen Kommentar schreiben:


  • MarcAnton
    antwortet
    Im Bereich der Wettervorhersage mit einer deutlichen Einsparung an Rechenkapazität zum gleichen Ergebnis zu kommen wie eines der führenden Wettermodelle ist ohne Anführungsstriche ein großer Vorteil und Fortschritt. Mindestens ist damit eine Limitation für die Forschung an der Verbesserung von Wettervorhersagen aufgehoben. Dass Maschinenlernen in der Vorhersage komplexer Systeme besser sind als klassische stochastische Methoden ist ja auch vielfach belegt.. wieso sollte es beim Wetter anders sein? Wir können ja eigentlich nur profitieren. Schlimmstenfalls bleibt es so wie es jetzt schon ist.
    In meinem Beruf würde ich mich schon freuen, wenn ich fliegbare Tage vielleicht auch mal eine oder anderthalb Wochen im Voraus mit annehmbarer Sicherheit vorhergesagt bekäme.

    It is important to emphasize that data-driven MLWP relies critically on large quantities of data and their quality, which in the case of models trained on reanalysis, depends on the fidelity of NWPs. Therefore, rich high-quality data sources like ECMWF’s MARS archive (38) are invaluable. Our approach should not be regarded as a replacement for traditional weather forecasting methods, which have been developed for decades, rigorously tested in many real-world contexts, and offer many features we have not yet explored. Rather our work should be interpreted as evidence that MLWP is able to meet the challenges of real-world forecasting problems and has potential to complement and improve the current best methods.​
    Also.. keine Sorge.. die alten Modelle bleiben uns noch ein wenig erhalten :-)
    Zuletzt geändert von MarcAnton; 16.11.2023, 13:01.

    Einen Kommentar schreiben:


  • BIKEandFLY
    antwortet
    Mit Behauptungen werden oftmals Trends gesetzt. Wie groß die „Vorteile“ wohl wirklich sind…? „Supercomputer“, „KI“….Jubel, das ist bestimmt superduper.

    Einen Kommentar schreiben:


  • FliegenWilli
    hat ein Thema erstellt KI liefert beste Wettervorhersage.

    KI liefert beste Wettervorhersage

    Neuer Weg der Wettervorhersage?
    Eine von Deepmind entwickelte KI erstellt bessere Wettervorhersagen, als der bisherige "Goldstandard". Gleichzeitig ist der Stromverbrauch minimal.
Lädt...