// SCINEXX — SPAZIO & SCIENZA
KI schließt Lücken in Satelliten-Regenkarten
Lücken in der Regenbeobachtung: Satelliten liefern weltweite Niederschlagskarten, doch ihre Mikrowellenmessungen erfassen nicht jeden Ort zur selben Zeit. Ein neues KI-Verfahren kann fehlende Bereiche aus benachbarten Karten und Infrarotbildern rekonstruieren. In Tests erzeugte es vergleichsweise präzise, räumlich und zeitlich stimmige Karten. Für den Betrieb in Echtzeit muss die Methode allerdings noch weiterentwickelt werden.
Chiba (Japan). Regenkarten aus dem All helfen, Niederschläge auch über Ozeanen, Bergen und abgelegenen Regionen abzuschätzen. Dafür erfassen mehrere Satelliten die von Regentropfen und Wolken ausgehenden Signale. Doch besonders die Mikrowellensensoren auf Satelliten in niedrigen Erdumlaufbahnen können die gesamte Erde nicht gleichzeitig abtasten. Dadurch entstehen Lücken in den zugrunde liegenden Messdaten.
Um solche Lücken zu schließen, werden fehlende Niederschlagswerte bislang häufig aus Messungen früherer und späterer Zeitpunkte geschätzt. Das kann zwar eine zeitlich fortlaufende Karte liefern, erzeugt aber an den Grenzen zu beobachteten Gebieten mitunter abrupte Übergänge. Gerade bei wechselhaftem Wetter ist deshalb eine Ergänzung gefragt, die die Entwicklung der Regenfelder im Raum und über die Zeit berücksichtigt.
Forscher der Chiba University um Dr. Daiko Kishikawa haben dafür nun ein generatives KI-Modell entwickelt. Die Wissenschaftler behandeln aufeinanderfolgende Regenkarten ähnlich wie die Einzelbilder eines Videos: Fehlende Bildteile sollen aus den erhaltenen Ausschnitten und ihren zeitlichen Nachbarn rekonstruiert werden. Der Ansatz kombiniert ein dreidimensionales neuronales Netz vom Typ U-Net mit einem Diffusionsmodell, das schrittweise aus einem verrauschten Muster plausible Niederschlagskarten erzeugt.
„Unsere Methode behandelt Niederschlagskartenfolgen wie Videodaten“, erklärt Dr. Daiko Kishikawa.
Zusätzliche Hinweise liefern Infrarotbilder der Wolken, die Position der Regionen auf der Erde, Höheninformationen und Zeitangaben. Damit kann das Modell nicht nur auswerten, was an einer bestimmten Stelle zuvor gemessen wurde, sondern auch, wie sich benachbarte Regengebiete entwickeln. Das Ziel sind Karten, deren ergänzte Bereiche ohne auffällige Brüche an die vorhandenen Informationen anschließen.
Zum Trainieren nutzte das Team stündliche Niederschlagsdaten aus der meteorologischen Reanalyse ERA5 für die Jahre 2020 bis 2023. Diese Datensammlung verbindet Messungen mit Wettermodellen und liefert flächendeckende Schätzwerte. Sie ist daher keine lückenlose direkte Beobachtung. Die Forscher übertrugen reale Lückenmuster des japanischen Satellitenprodukts Global Satellite Mapping of Precipitation (GSMaP) auf diese vollständigen Reanalysekarten. So konnte das Modell lernen, die verdeckten Bereiche wiederherzustellen.
Wie gut das funktioniert, überprüften die Wissenschaftler anhand bislang nicht für das Training verwendeter Daten aus dem Jahr 2024. Dabei verglichen sie die rekonstruierten Werte mit den zuvor verdeckten ERA5-Daten sowie mit mehreren klassischen und KI-basierten Verfahren. Das Diffusionsmodell erzielte in den untersuchten Kennwerten eine hohe Bildqualität und Genauigkeit. Ein einfacheres U-Net schnitt bei einzelnen Maßstäben allerdings ähnlich gut ab.
Besonders wichtig waren die noch vorhandenen Niederschlagswerte, die genaue Kennzeichnung der Lücken und zusätzliche Infrarotbilder. Ließen die Forscher diese Informationen weg, verschlechterte sich das Ergebnis deutlich. Höhe, Koordinaten und gesonderte Zeitangaben lieferten dagegen nur einen vergleichsweise kleinen Zusatznutzen. Die Methode hatte außerdem größere Schwierigkeiten mit Gebieten, in denen sich Niederschlag überwiegend durch kräftige, aufsteigende Luftbewegungen bildet, als mit großräumigem Regen.
Anschließend ergänzte das Team auch tatsächlich lückenhafte GSMaP-Karten. Die rekonstruierten Regenfelder wirkten räumlich und zeitlich zusammenhängend. Wie nah sie der tatsächlichen Niederschlagsmenge kamen, lässt si