Neues Graph Neural Network liefert hochauflösende, ortsbezogene Hitzevorhersagen

Weltweit werden Hitzewellen immer intensiver und gehören zu den tödlichsten Wetterkatastrophen. Besonders betroffen sind marginalisierte Bevölkerungsgruppen und der Global South, wo unterfinanzierte Gesundheitssysteme, urbane Wärmeinseln und fehlende Anpassungsinfrastruktur die Risiken verstärken.

Aktuelle numerische Wettervorhersagemodelle können Mikro‑Skalenextreme oft nicht erfassen, sodass die gefährdetsten Menschen keine rechtzeitigen Warnungen erhalten. Ein neues Framework auf Basis von Graph Neural Networks (GNN) löst dieses Problem, indem es ortsbezogene, hochauflösende Temperaturvorhersagen liefert.

Durch die Nutzung räumlicher Lernmechanismen und effizienter Berechnungen erzeugt das Modell Vorhersagen für mehrere Zeitfenster bis zu 48 Stunden. Im Testgebiet Südwest-Ontario, Kanada, erreichte das Modell einen mittleren MAE von 1,93 °C für 1‑48‑Stunden‑Vorhersagen und 2,93 °C bei 48‑Stunden‑Vorhersagen, basierend auf 24‑Stunden‑Eingabefenstern.

Obwohl die Demonstration in einem datarich‑Umfeld erfolgte, bildet die Arbeit die Grundlage für Transfer‑Learning‑Ansätze, die ortsbezogene, gerechte Vorhersagen auch in datenarmen Regionen des Global South ermöglichen könnten.