Ein Benchmark-Datensatz zur satellitengestützten Schätzung und Erkennung von Regen

Warum es wichtig ist, Regen aus dem All zu beobachten

Regen prägt unsere Ernten, füllt unsere Wasserspeicher und treibt gefährliche Überschwemmungen und Erdrutsche an. Dennoch wissen wir überraschenderweise noch nicht genau, wie viel Regen überall auf der Erde zu jedem Zeitpunkt fällt. Bodenmessungen sind über Ozeanen und in vielen Ländern dünn gesät, und selbst moderne Satelliten erfassen nur einen Teil des Gesamtbildes. Dieser Artikel stellt SatRain vor, einen neuen globalen Benchmark-Datensatz, der der Wissenschafts- und Technikgemeinschaft helfen soll, fair vergleichbare KI-Methoden zur Regenabschätzung aus dem All zu entwickeln. Bessere Werkzeuge zur Beobachtung von Regen aus dem Orbit können Unwetterwarnungen, Wassermanagement und unser Verständnis darüber verbessern, wie der Klimawandel Stürme verändert.

Verschiedene Blickwinkel auf denselben Sturm

Regen zu messen ist schwieriger, als es klingt, weil er ungleich verteilt, ständig im Wandel und in Form von Nieselregen, Regengüssen, Schnee oder Hagel vorhanden sein kann. Traditionelle Instrumente haben jeweils Stärken und Schwächen. Regenmesser erfassen Wasser direkt an einem Punkt, aber es gibt nur wenige davon, besonders über Ozeanen und in ärmeren Regionen. Wetterradar liefert detaillierte Regenkarten über Land, doch seine Reichweite nimmt mit Entfernung und Gelände ab. Satelliten sind die einzige Möglichkeit, Niederschlag nahezu überall zu überwachen, aber sie nehmen Regentropfen nicht direkt wahr. Stattdessen messen sie Licht und Mikrowellen, die von Wolken und fallenden Partikeln beeinflusst werden; daraus müssen Wissenschaftlerinnen und Wissenschaftler rückschließen, wie viel Regen tatsächlich den Boden erreicht.

Wie Satelliten Regen sehen

Satelliten nutzen verschiedene Sensortypen, die jeweils einen Teil der Geschichte erzählen. Geostationäre Satelliten, hoch über dem Äquator positioniert, beobachten dieselbe Region kontinuierlich im sichtbaren und infraroten Bereich und verfolgen Wolkenoberflächen, nicht jedoch den darunter liegenden Regen. Tiefer fliegende Satelliten tragen passive Mikrowelleninstrumente, die schwache Emissionen und Streuung durch Regentropfen und Eisteilchen erfassen; diese stehen dem tatsächlichen Niederschlag näher, sehen einen Ort jedoch nur alle paar Stunden und mit gröberer Auflösung. Eine sehr kleine Anzahl weltraumgestützter Radarinstrumente kann Niederschlag direkter messen, deckt aber nicht häufig die ganze Erde ab. Weil jeder Sensor Lücken hat, kombinieren moderne Niederschlagskarten viele Quellen und verlassen sich zunehmend auf maschinelles Lernen, um mehr Information aus den Daten herauszuholen.

Ein faires Testfeld für Regen-KI aufbauen

Bislang haben Forschende KI-Modelle zur satellitengestützten Regenabschätzung auf unterschiedlichen Regionen, Zeiträumen, Sensoren und Auflösungen trainiert, sodass es nahezu unmöglich war zu sagen, ob eine Methode wirklich besser ist als eine andere. Das International Precipitation Working Group hat SatRain geschaffen, um dieses Problem zu lösen. SatRain vereint Multisensor-Satellitenbeobachtungen — sichtbar, infrarot und Mikrowelle — mit hochwertigen „wahren“ Daten aus regenmessergestütztem, korrigiertem Wetterradar über den zusammenhängenden Vereinigten Staaten. Alle Informationen sind sorgfältig auf gemeinsame Gitter oder entlang der nativen Satellitenscanpfade ausgerichtet, und der Datensatz ist gemäß modernen Praktiken des maschinellen Lernens in Trainings-, Validierungs- und Testmengen aufgeteilt. Um zu prüfen, wie gut Methoden über Nordamerika hinaus generalisieren, enthält SatRain auch unabhängige Testdaten aus Korea und Österreich, basierend auf lokalen Radarcomposites und dichten Regenmessnetzwerken.

KI-Methoden direkt vergleichen

Mithilfe von SatRain haben die Autorinnen und Autoren mehrere KI-Modelle trainiert, um zu schätzen, wie viel Regen fällt, und um zu erkennen, wo Regen und Starkregen auftreten. Sie verglichen Modelle, die nur Infrarot-Wolkenoberflächenbilder verwenden, Modelle mit vielen Kanälen sichtbaren und infraroten Lichts sowie Modelle, die Mikrowellenmessungen nutzen. Ebenso wurden verschiedene Techniken des maschinellen Lernens gebenchmarkt, von Random Forests und Boosted Trees bis zu modernen tiefen neuronalen Netzen in U-Net-Architektur. Über Tausende von Sturm-Szenen konnten mit SatRain trainierte KI-Systeme führende operative Produkte erreichen oder übertreffen, einschließlich des weit verbreiteten GPROF-Retrievals und der ERA5-Reanalyse, besonders bei Nutzung von Mikrowelleninputs und fortgeschrittenen Deep-Learning-Architekturen. Die Ergebnisse galten nicht nur für die USA, sondern auch für die unabhängigen Testregionen, wenngleich einige regionale Verzerrungen beobachtet wurden.

Was das für den Alltag bedeutet

SatRain ist selbst kein neues globales Niederschlagsprodukt; es ist vielmehr ein gemeinsames Spielfeld, auf dem Forschende und Entwicklerinnen beweisen können, dass ihre Algorithmen tatsächlich funktionieren, und sie fair vergleichen können. Indem viele Satellitensensoren mit einigen der besten verfügbaren bodengestützten Messungen verknüpft werden, erleichtert SatRain die Entwicklung von KI-Modellen, die durch Wolken hindurchsehen, subtile Signale in weltraumgestützten Daten lesen und besser nachverfolgen, wo und wie stark es regnet. Langfristig können auf SatRain verfeinerte und getestete Methoden in die nächste Generation globaler Niederschlagsdatensätze überführt werden, was Hochwasseralarmierung, Dürreüberwachung und die Klimaforschung verbessert — mit Auswirkungen für Menschen weltweit.

Zitation: Pfreundschuh, S., Arulraj, M., Behrangi, A. et al. A Benchmark Dataset for Satellite-Based Estimation and Detection of Rain. Sci Data 13, 244 (2026). https://doi.org/10.1038/s41597-026-06565-0

Schlüsselwörter: Satellitenregen, Niederschlagsdatensatz, maschinelles Lernen, Fernerkundung, Klimabeobachtung