Google DeepMind öffnet Niederschlags- und Satellitendaten seiner KI-Wettermodelle
Google DeepMind gibt nach eigenen Angaben die grundlegenden Niederschlags- und geostationären Satellitendatensätze frei, auf denen seine KI-Wettermodelle aufbauen.
Google DeepMind veröffentlicht zwei Datensätze, SatWeave und PARDIG. Laut dem Unternehmen liefern sie die Niederschlags- und Wolkendaten für das kürzlich vorgestellte Wettermodell WeatherNext 3. Externe Forschende erhalten Zugang zu historischen Archiven und Live-Feeds beider Datensätze. Die Live- und Archivdaten von SatWeave und PARDIG sind offen über Google Cloud Storage verfügbar, die historischen Kataloge von PARDIG zusätzlich in Google Earth Engine. Der arXiv-Preprint zu PARDIG nennt Lizenzbedingungen, die im Blogbeitrag fehlen: Beide PARDIG-Datensätze stehen offen unter einer CC-BY-4.0-Lizenz zur Verfügung.
SatWeave nimmt sich eines Infrastrukturproblems an, noch bevor die eigentliche Modellierung beginnt. Der Datensatz kombiniert Bilder aus fünf Satellitenprogrammen: GOES-East und GOES-West, Meteosat 0 und Meteosat Indian Ocean sowie Himawari. Jedes davon nutzt andere Kartenprojektionen, Dateiformate, Sensoren und Scan-Zeitpläne. Die Scans erfolgen alle 10 bis 30 Minuten, was es schwer macht, eine einheitliche globale Karte zu erstellen. Laut DeepMind verzichten die meisten bestehenden globalen Komposite entweder auf Daten und bieten daher vier oder weniger Kanäle, oder sie werden nur alle paar Stunden aktualisiert. SatWeave umfasst 17 Kanäle im sichtbaren Bereich, im Wasserdampf- und im Infrarotbereich und wird stündlich aktualisiert, während Modelle, die mit Analysedaten initialisiert werden, alle sechs Stunden neu laufen. Laut Bildunterschrift im Beitrag vereint SatWeave Beobachtungen von sechs geostationären Satelliten, im Text werden aber fünf genannt; der Beitrag klärt diesen Widerspruch nicht auf. Das historische Archiv reicht über ein Jahrzehnt zurück.
PARDIG steht für Precipitation AI Reanalysis: Densely Inferred GPM und stützt sich auf eine spärlichere Quelle. Das Global Precipitation Measurement Core Observatory der NASA trägt ein weltraumgestütztes Radar, dessen Beobachtungen jedoch lückenhaft sind. DeepMind trainiert ein Modell auf diesen Radardaten und verwendet dabei SatWeave-Bilder und atmosphärische Felder des ECMWF als Eingaben. Ziel ist, dass das Modell lernt, Regen auch dort vorherzusagen, wo das Radar nicht hingesehen hat, und anschließend flächendeckend auf den gesamten Globus angewendet wird. Das Ergebnis ist eine Niederschlagskarte mit einer zeitlichen Auflösung von 15 Minuten und einer räumlichen Auflösung von rund 10 Kilometern, bei einer durchschnittlichen Latenz von etwa fünf Stunden. Das Paper gibt das räumliche Raster mit 0,1 Grad an.
Laut DeepMind wurde PARDIG mit drei kontinentalen Radarnetzen in den USA, Europa und Japan sowie mit mehr als 36.000 Wetterstationen weltweit abgeglichen. Die zentrale Zahl: PARDIG verbessert die stündliche Erkennungsleistung bei Niederschlag gegenüber IMERG-Final, einem NASA-Datensatz in Forschungsqualität, bei leichtem bis mäßigem Niederschlag um mehr als 30 Prozent. Gemessen wurde dies mit dem Critical Success Index für den Zeitraum 2016 bis 2023. Laut dem Beitrag erfasst PARDIG extreme Niederschläge besonders gut. Als Beispiel dienen die stündlichen Regenmengen während der Sturzfluten im texanischen Hill Country im Juli 2025: Verglichen werden das Bodenradar der NOAA mit etwa 1 km Auflösung sowie PARDIG und IMERG-Final mit jeweils etwa 10 km. Das Beispiel stellt also ein 1-km-Radar zwei 10-km-Produkten gegenüber, und der Beitrag nennt für dieses Ereignis keine Kennzahl.
Die weitreichendste Behauptung des Unternehmens lautet: Da PARDIG aus Satellitendaten lernt, statt sich ausschließlich auf Bodenmessungen zu stützen, sollte es auch dort genau sein, wo keine Bodendaten vorliegen. „Wir erwarten, dass es überall auf der Erde zuverlässig genau ist.“ Das ist eine Erwartung, kein Ergebnis. Die im Beitrag beschriebenen Auswertungen stützen sich auf Bodenradar und Wetterstationen, die nicht immer verfügbar sind oder ein Gebiet nicht immer gut abdecken, und der Beitrag beschreibt keinen Test in Regionen ohne dichte Bodenmessnetze. Das arXiv-Abstract nennt einen breiteren Vergleich: PARDIG übertreffe durchgehend IMERG V07 Final und Early, MSWEP V3, ERA5 und HRES, mit den größten Verbesserungen bei extremen Intensitäten. Dabei handelt es sich um einen Preprint, und das Abstract stellt diese Behauptungen ohne das zusätzliche Material des Beitrags auf.
Die Datensätze beruhen auf öffentlicher Satelliten- und Reanalysearbeit. In den Danksagungen des Beitrags werden Teams von Google DeepMind und Google Research genannt, die mit Google Cloud und Google Geo zusammengearbeitet haben. Gedankt wird außerdem ECMWF, NASA, JAXA, NOAA, EUMETSAT, KMA, JMA, KNMI und Synoptic Data für die offenen Satellitenprogramme und Datensätze, die diese Arbeit ermöglichen. Google Earth Engine, wo die historischen Kataloge von PARDIG liegen, beschreibt sich auf der eigenen Seite als inzwischen kommerziell nutzbar und für akademische und Forschungszwecke kostenlos.
Was sich ändert
Art: Neue Funktion · Betrifft: SatWeave, PARDIG, WeatherNext 3, Google Cloud Storage, Google Earth Engine
Warum es wichtig ist
Teams, die Vorhersage- oder klimabezogene Modelle entwickeln, könnten diese Datensätze als Trainings- oder Evaluierungsdaten nutzen. Die Ankündigung erklärt nicht, wie der Zugang funktioniert, daher ist der praktische Nutzen noch unklar.
Was Sie tun können
Prüfen Sie im Beitrag von DeepMind den Zugangsweg und die Lizenzbedingungen, bevor Sie eine Nutzung der Datensätze planen.
Originalquelle
Wo wir es gesehen haben
Google DeepMind
KI hat diese Zusammenfassung aus den genannten Quellen geschrieben und ins Deutsche übersetzt. Niemand hat sie vor der Veröffentlichung einzeln geprüft. Bitte prüfen Sie die Originalquelle, bevor Sie sich darauf verlassen. So funktioniert es