Bewertung der ökologischen Kosten multiskaliger rekurrenter neuronaler Netze für nachhaltiges Nowcasting extremer Niederschläge

Warum schnellere, umweltfreundlichere Regenvorhersagen wichtig sind

Da Städte weltweit mit immer plötzlicheren Wolkenbrüchen und Überschwemmungen konfrontiert sind, vor allem in Regionen mit begrenzten Ressourcen, können schon wenige zusätzliche Minuten Vorwarnung Leben retten. Die Computer hinter modernen Wettervorhersagen verbrauchen jedoch viel Energie, sind teuer und oft außerhalb der Reichweite der Regionen, die sie am dringendsten benötigen. Dieses Papier stellt eine einfache, aber drängende Frage: Können wir KI-Werkzeuge entwickeln, die gefährliche Niederschläge vorhersagen und gleichzeitig erschwinglich und ökologisch verantwortlich sind?

Von Supercomputern zu intelligenten Mustern in Radaraufnahmen

Die heutigen kurzfristigen Niederschlagsvorhersagen, sogenannte „Nowcasts“, werden meist von großen physikbasierten Modellen erzeugt, die die Atmosphäre detailliert simulieren. Diese Systeme funktionieren in vielen Situationen gut, haben aber Schwierigkeiten bei sehr kurzen Vorhersagezeiträumen von einer bis zwei Stunden — genau dann, wenn klare Hinweise auf einen nahenden Wolkenbruch gebraucht werden. Sie verlangen außerdem enorme Supercomputing-Ressourcen. Im Gegensatz dazu lernen neuere KI-Modelle direkt aus riesigen Sammlungen von Wetterradarbildern und behandeln die Entwicklung von Stürmen wie die Einzelbilder eines Videos. Rekurrente neuronale Netze, die dafür ausgelegt sind, zeitliche Muster zu erfassen, haben bereits gezeigt, dass sie traditionelle Modelle bei kurzfristigen Niederschlagsvorhersagen übertreffen können.

Die versteckten Kosten leistungsstarker KI

Diesen KI-Systemen geht jedoch ein eigenes Problem voraus: Sie können extrem groß sein und viel Speicher, Strom und spezialisierte Grafikprozessoren benötigen. Diese Kosten sind mehr als nur finanziell. Das Training und der Betrieb solcher Modelle verbrauchen Energie, die zu CO2-Emissionen und indirektem Wasserverbrauch in Kraftwerken führt. Die Regionen, die am stärksten von extremen Niederschlägen betroffen sind — etwa tropische Städte im Globalen Süden — können sich diese Hardware oft am wenigsten leisten, wodurch eine bestehende Klima- und Technologielücke vertieft wird. Die Autoren stellten in einer Übersicht früherer Studien fest, dass fast niemand diese ökologischen Auswirkungen für das Nowcasting von Niederschlägen gemessen hat, obwohl die Modelle immer größer und komplexer werden.

Ein schmalerer Weg, den Himmel zu lesen

Die Studie konzentriert sich auf eine Technik namens multiskaliges rekurrentes neuronales Netzwerk-Framework (MS-RNN), das bestehende KI-Modelle so umgestaltet, dass sie Radaraufnahmen gleichzeitig in mehreren Auflösungen verarbeiten. Anstatt jedes Detail in voller Größe zu bearbeiten, komprimiert und rekonstruiert das Netzwerk die Bilder wiederholt, wodurch es breite Sturstrukturenerfassung und feine Merkmale effizienter verbindet. Die Forschenden passten drei populäre Nowcasting-Modelle an dieses Multiskalen-Design an und testeten sie an zwei realen Radardatensätzen: einem aus den italienischen Alpen und einem aus dem komplexen Gelände und der urbanen Struktur von Rio de Janeiro, Brasilien. Sie verfolgten nicht nur die Vorhersagegenauigkeit, sondern auch Speicherverbrauch, Laufzeit, Stromverbrauch, geschätzte CO2-Emissionen und den damit verbundenen Wasserverbrauch.

Was die Experimente zu Geschwindigkeit, Genauigkeit und ökologischer Bilanz zeigen

Im Alpen-Datensatz reduzierten die multiskaligen Versionen der Modelle ihren Ressourcenbedarf drastisch. Der Speicherverbrauch sank um etwa die Hälfte, die Trainingszeit wurde halbiert oder noch stärker verkürzt und der Stromverbrauch fiel um bis zu etwa 70 Prozent. Dies führte zu ähnlichen Reduktionen bei den geschätzten CO2-Emissionen und dem Wasserverbrauch, mit Einsparungen von mehr als 60 Prozent bei einigen Modellvarianten. Gleichzeitig blieb die Vorhersagequalität gleich oder verbesserte sich leicht nach gängigen Fehlermaßen und einem Score, der erfasst, wie gut die Modelle schwere Niederschläge treffen. In Rio de Janeiro, wo Wettermuster und Gelände anspruchsvoller sind und die Radarbilder kleiner, waren die Gewinne moderater. Die multiskaligen Modelle verbrauchten weiterhin weniger Energie und emittierten weniger CO2, doch ihre Vorhersagen waren geringfügig weniger genau als die Originalversionen — die Unterschiede waren jedoch so klein, dass die Autoren argumentieren, dass der Trade-off in ressourcenbegrenzten Umgebungen oft lohnenswert ist.

Grenzen und nächste Schritte für extreme Wolkenbrüche

Selbst mit diesen Verbesserungen hatten alle getesteten Modelle weiterhin Schwierigkeiten mit den seltensten, intensivsten Niederschlagsausbrüchen. Spezielle Fehlermetriken, die Extremereignissen zusätzliches Gewicht geben, zeigten, dass starke Wolkenbrüche zuverlässig schwer vorherzusagen sind, teilweise weil sie in den Trainingsdaten unterrepräsentiert sind. Die Autoren verweisen auf neuere Ansätze, die KI mit physikalischem Wissen über Stürme kombinieren oder fortschrittliche generative Modelle nutzen, um Radaraufnahmen zu schärfen, weisen aber darauf hin, dass diese Methoden in der Regel noch rechenintensiver sind — und fast nie ihren Energie- oder Wasserverbrauch berichten. Die Studie fordert daher künftige Arbeiten, die Modelle von Anfang an mit Effizienz im Blick entwerfen und routinemäßig ökologische Kennzahlen zusammen mit Genauigkeitsergebnissen veröffentlichen.

Was das für Menschen vor Ort bedeutet

Praktisch zeigt die Arbeit, dass es möglich ist, KI-Werkzeuge zu entwickeln, die nützliche kurzfristige Niederschlagswarnungen liefern und dabei deutlich weniger Speicher, Energie und Wasser verbrauchen als viele derzeitige Systeme. Für Städte wie Rio de Janeiro, in denen Überschwemmungen und Erdrutsche häufig vorkommen und die Budgets knapp sind, könnten solche „grünen KI“-Ansätze dazu beitragen, fortschrittliche Frühwarnsysteme zugänglicher zu machen, statt sie auf gut ausgestattete Wetterzentren zu beschränken. Die Arbeit löst zwar nicht das Problem, die extremsten Stürme perfekt vorherzusagen, zeigt aber einen praktischen Weg zu Vorhersagesystemen auf, die sowohl nachhaltiger als auch gerechter sind.

Zitation: Brum, D., Teylo, L., Silva, F.P.d. et al. Assessing the environmental costs of multi-scale recurrent neural networks for sustainable extreme rainfall nowcasting. Sci Rep 16, 12846 (2026). https://doi.org/10.1038/s41598-026-43029-2

Schlüsselwörter: extreme Niederschläge, Wetterradar, Deep Learning, nachhaltige KI, Nowcasting