Neues Deep‑Learning-Modell verbessert Niederschlagsvorhersage um 8,9 %

Ein neues Deep‑Learning-Modell namens MAD‑SmaAt‑GNet verspricht einen deutlichen Fortschritt bei der Niederschlagsvorhersage. Das System kombiniert die leichte CNN‑Architektur SmaAt‑UNet mit einem zusätzlichen Encoder, der mehrere Wettervariablen gleichzeitig verarbeitet, und einem physikbasierten Advektionsmodul, das die physikalische Konsistenz der Vorhersagen sicherstellt.

Die Autoren zeigen, dass jede dieser Erweiterungen allein die Genauigkeit der Vorhersagen verbessert. In Kombination führt das Modell zu einer Reduktion des mittleren quadratischen Fehlers um 8,9 % im Vergleich zum Basismodell – ein signifikanter Gewinn für die vierstufige Vorhersage bis zu vier Stunden vor.

Besonders bei kurzen Vorhersagezeiten profitieren die Modelle von multimodalen Eingaben, während das Advektions‑Feature die Leistung über alle Zeiträume hinweg steigert. Damit liefert MAD‑SmaAt‑GNet einen vielversprechenden Ansatz, um die Effizienz und Genauigkeit von Niederschlagsnowcasting zu erhöhen.