Neues Scaling-Modell für Wettervorhersage: Analyse von Spatiotemporalen Daten

Wissenschaftler haben ein neues Scaling-Modell für Wettervorhersagen vorgestellt, das die komplexen Anforderungen der spatiotemporalen Daten berücksichtigt. Im Gegensatz zu den gut erforschten Skalierungsregeln in NLP und Computer Vision, wo die Ziele meist ein‑schrittig und homogen sind, muss bei der Wettervorhersage die Autoregression, die Vielzahl physikalischer Kanäle und die unterschiedlichen Skalierungen der Vorhersage berücksichtigt werden.

Das Team hat die neuronale Skalierungsanalyse von der üblichen Ein‑Schritt‑Verlustfunktion auf lange Rollouts und kanal‑spezifische Metriken ausgeweitet. Dabei wurden drei zentrale Fragen untersucht: Erstens, wie sich der Vorhersagefehler über die Kanäle verteilt und wie seine Wachstumsrate mit der Vorhersagehorizont variiert. Zweitens, ob die Fehler bei globalen Testmetriken einer Potenzgesetz‑Skalierung folgen, wenn die Rollout‑Länge berücksichtigt wird. Drittens, wie diese Beziehung gleichzeitig von Parameter‑, Daten‑ und Rechen‑Skalierung abhängt.

Die Ergebnisse zeigen eine starke Heterogenität über Kanäle und Horizonte hinweg. Während die globalen Skalierungswerte auf einen guten Fortschritt hindeuten, degradieren viele Kanäle bei längeren Vorhersagehorizonten deutlich. Diese Diskrepanz hat wichtige Implikationen für die Gestaltung von gewichteten Zielsetzungen, horizon‑sensitiven Lernplänen und die optimale Verteilung von Ressourcen auf die verschiedenen Ausgabekanäle.

Die Studie liefert damit ein solides Fundament für zukünftige Forschungsarbeiten, die darauf abzielen, die Effizienz von Wettervorhersagemodellen zu steigern und die Trainingsstrategien besser an die spezifischen Anforderungen der spatiotemporalen Daten anzupassen.