Ein Datensatz für maschinelles Lernen zur Erkennung von konvektiver Initiation und Nowcasting über Südostchina

Warum der Beginn von Gewittern wichtig ist

Plötzliche Wolkenbrüche, zerstörerischer Hagel und heftige Gewitterböen können das tägliche Leben binnen Minuten auf den Kopf stellen. Der Schlüssel zu besseren Warnungen liegt darin, den allerersten Funken eines Sturms zu erkennen – wenn eine kleine Blase mit aufsteigender warmer, feuchter Luft sich zu einer wachsenden Gewitterwolke entwickelt. Diese Studie stellt einen neuen, sorgfältig kuratierten Datensatz vor, der künstlicher Intelligenz (KI) helfen soll, dieses Entstehen, die sogenannte konvektive Initiation, über Südostchina zu erkennen und vorherzusagen.

Sturmbeobachtung aus Luft und Boden

Die Forschenden konzentrieren sich auf eine Region in Südostchina, die stark vom ostasiatischen Monsun beeinflusst wird und in der von März bis September häufig schwere Gewitter auftreten. Um die Atmosphäre detailliert zu überwachen, kombinieren sie Informationen aus zwei Hauptbeobachtungssystemen. Am Boden scannen mehr als 150 Wetterradare den Himmel und messen Stärke und Struktur von Regen und Hagel. Gleichzeitig beobachtet der geostationäre Satellit Fengyun-4A aus dem All, wie Wolken Licht in mehreren Wellenlängen reflektieren und abstrahlen. Gemeinsam liefern diese Instrumente alle 10 Minuten eine Zeitreihe der Sturmbildung und -entwicklung über ein Gebiet von tausenden Kilometern.

Aufbau einer Bibliothek gefährlicher Wetterlagen

Um KI zu trainieren, braucht man zuerst Beispiele. Das Team begann damit, zahlreiche reale Episoden gefährlicher Wetterlagen zu identifizieren – Zeiträume mit intensivem Niederschlag, schädlichen Winden oder Hagel, gemeldet an über 1.000 Bodenstationen zwischen 2018 und 2023. Überlappende Ereignisse wurden zu regionalen Ausbrüchen zusammengefasst und jeder Ausbruch in 10-Minuten-Schnappschüsse unterteilt. Für jeden Schnappschuss speicherten sie einen reichen Satz an Merkmalen: Radarkarten, die zeigen, wo und wie stark es regnet, sowie Satellitenmessungen, die Hinweise auf Wolkenhöhe, Temperatur und Struktur geben. Dieser Prozess ergab 829 regionale Ereignisse und 136.728 Zeitproben und bildet eine große, vielfältige Bibliothek von Situationen, in denen Gewitter entstanden oder ausblieben.

Maschinen beibringen, wo ein Sturm entsteht

Den genauen Zeitpunkt und Ort zu identifizieren, an dem ein Sturm erstmals erscheint, ist nicht trivial. Die Forschenden verwendeten Radar-Mosaike – kombinierte Bilder vieler Radare –, um kleine Bereiche zu finden, in denen Echos erstmals eine bestimmte Stärke überschreiten und damit die Geburt einer neuen konvektiven Zelle signalisieren. Anschließend schätzten sie die Bewegung jeder Zelle mit einer Optical-Flow-Methode, die Muster in den Radarbildern über die Zeit verfolgt. Durch den Vergleich der Echos in den vorherigen und folgenden 10-Minuten-Scans kann der Algorithmus entscheiden, ob eine Zelle tatsächlich gerade entstanden ist (echte Initiation) oder ob sie nur eine Fortsetzung, ein bewegter Teil eines älteren Sturms oder sogar ein Falschecho durch Radarbeeinträchtigung ist. Verdächtige Fälle wurden zusätzlich manuell geprüft, um verbleibende technische Artefakte zu entfernen.

Beschriftung: Zellen, die verglimmen oder aufblühen

Sobald konvektive Zellen identifiziert waren, bestand der nächste Schritt darin, ihr zukünftiges Verhalten zu klassifizieren. Für jede neu entstandene Zelle verfolgte das Team ihre Entwicklung über die folgenden 30 Minuten und maß, wie sich Fläche und Radarintensität veränderten. Wenn die Zelle beständig größer und stärker wurde, wurde sie als „entwickelnd“ gekennzeichnet, was bedeutet, dass sie das Potenzial hatte, ein ernstes Gewitter zu werden. Wenn sie schwächer wurde, verschwand oder nicht wuchs, wurde sie als „abklingend“ markiert. Insgesamt enthält der Datensatz mehr als vier Millionen Initiationszellen, von denen etwa 43 Prozent als entwickelnd eingestuft sind. Diese Labels lassen sich als einfache Umrisse und Pixelmasken im Radargitter darstellen und sind damit gut geeignet für maschinelle Lernmodelle, die nicht nur vorhersagen sollen, wo ein Sturm beginnt, sondern ob er gefährlich werden wird.

Wie und wo Stürme typischerweise entstehen

Indem die Häufigkeit von Initiationen an verschiedenen Orten und Tageszeiten gezählt wurde, zeigt der Datensatz auch Muster im Sturmverhalten. Bereiche mit häufiger konvektiver Initiation stimmen gut mit Regionen hohen Niederschlags überein, insbesondere entlang der Küstenprovinzen und südlich des Jangtse, wo warme, feuchte Luft häufig Gewitter begünstigt. Die zeitliche Verteilung der Initiation zeigt deutliche tägliche Rhythmen: In vielen Gebieten treten neue Gewitter am häufigsten am Nachmittag auf, während einige Binnenbecken Peaks um Mitternacht mit sekundären Nachmittagsmaxima zeigen. Diese Muster sind konsistent mit früheren Untersuchungen größerer Sturmsysteme und legen nahe, dass der neue Algorithmus realistisches Sturmverhalten erfasst und nicht nur zufälliges Rauschen.

Was das für künftige Wetterwarnungen bedeutet

Für Nicht-Fachleute ist die zentrale Botschaft einfach: Diese Arbeit liefert ein hochwertiges Trainingsfundament für KI-Systeme, die darauf abzielen, die frühesten Anzeichen schwerer Gewitter zu erkennen. Durch die Kombination dichter Radarnetzwerke, fortschrittlicher Satellitenbeobachtungen und sorgfältiger Klassifikation von Sturmbeginn und -wachstum gibt der CIDS-Datensatz maschinellen Lernmodellen sowohl die Rohbilder als auch die richtigen Antworten, die sie zum Lernen brauchen. Langfristig könnten auf diesem Datensatz aufbauende, intelligentere Modelle zu früheren und zuverlässigeren Warnungen vor Sturzfluten, zerstörerischen Winden und Hagel führen und Gemeinden wertvolle Zeit verschaffen, sich vorzubereiten.

Zitation: Liu, Y., Xiong, A., Liu, N. et al. A dataset for machine learning model to convective initiation detection and nowcasting over southeastern China. Sci Data 13, 557 (2026). https://doi.org/10.1038/s41597-026-06902-3

Schlüsselwörter: Unwettervorhersage, Wetterradar, Satellitenmeteorologie, maschinelles Lernen, starke Konvektion