NASA und Partner entwickeln KI‑System zur schnelleren Blitzflutwarnung

Ein neues maschinelles Lernsystem unterstützt Meteorologen dabei, Blitzflutwarnungen schneller und präziser auszusprechen. Das System, das Daten aus permanent betriebenen Satellitennetzwerken nutzt, liefert Vorhersagen in bis zu fünfzehn Minuten.

Kooperation von Forschungseinrichtungen

Das Projekt ist das Ergebnis einer Zusammenarbeit zwischen dem Jet Propulsion Laboratory der NASA, der University of California, San Diego und dem National Weather Service der NOAA. Die beteiligten Wissenschaftler betonten, dass die enge Kooperation den Entwicklungsprozess beschleunigt habe.

Funktionsweise des Systems

Im Kern verarbeitet ein analytisches Backend‑Softwarepaket Satellitendaten des Global Navigation Satellite Systems (GNSS). Durch die Messung von Signalverzögerungen wird der atmosphärische Wassergehalt ermittelt. Ein darauf trainiertes Machine‑Learning‑Modell erkennt ungewöhnliche Anstiege der Feuchtigkeit und unterscheidet zwischen Fehlmessungen und echten Wetterereignissen.

Ergebnisse aus Tests

Simulationen, die Ereignisse von 2017 bis 2023 umfassten, zeigten, dass das System 93 % der tatsächlich ausgegebenen Blitzflutwarnungen korrekt identifizierte. Die Vorhersagen werden anschließend in einer benutzerfreundlichen Visualisierung dargestellt, die Analysten bei ihrer Entscheidungsfindung unterstützt.

Integration in den Wetterdienst

Mitarbeiter des National Weather Service arbeiten derzeit daran, das System in ihre bestehenden Arbeitsabläufe zu integrieren, zunächst für die Region Südkalifornien. Die automatisierte Vorhersage soll den Zeitaufwand für die Bewertung großer Datenmengen reduzieren.

Technische Komponenten

Das Backend nutzt Algorithmen aus früheren JPL‑Projekten, darunter das Domain‑agnostic Outlier Ranking und Programme zur Zeitreihen‑Prognose. Die Visualisierung basiert auf dem Multi‑Mission Geographic Information System, das ursprünglich für Marsmissionen entwickelt wurde.

Offener Quellcode

Sowohl die Software als auch die zum Training genutzten Daten werden als Open‑Source‑Material bereitgestellt, sodass weitere Forscher das Modell anpassen oder eigene Varianten entwickeln können.

Dieser Bericht basiert auf Informationen von NASA, lizenziert unter Public Domain (U.S. Government Work).