Leichtgewichtiges ML für Sichtvorhersage in der Luftfahrt schlägt TAF

In der Luftfahrt ist die kurzfristige Vorhersage von Sichtbehinderungen und Niederschlag entscheidend für Sicherheit und Effizienz. Traditionell stützt sich die Industrie auf aufwändige numerische Wettervorhersagen und von Menschen erstellte TAF-Produktionen, die oft zu konservativ sind und nur begrenzte Zeitauflösungen bieten.

Eine neue Studie präsentiert ein schlankes Gradient‑Boosting‑Modell (XGBoost), das ausschließlich auf Bodendaten (METAR) trainiert wird und durch physikbasierte Feature‑Engineering‑Techniken, die thermodynamische Prinzipien nutzen, erweitert wird. Das Modell wurde an 11 internationalen Flughäfen mit unterschiedlichen Klimabedingungen – darunter SCEL, KJFK, KORD, KDEN, SBGR und VIDP – getestet und nutzt historische Daten von 2000 bis 2024.

Ergebnisse zeigen, dass das Modell die zugrunde liegenden lokalen physikalischen Prozesse ohne manuelle Konfiguration erfasst. In einer blind getesteten Gegenüberstellung mit den operativen TAF-Vorhersagen erzielte das automatisierte Modell deutlich höhere Erkennungsraten bei taktischen Zeitfenstern von drei Stunden, mit einer 2,5‑bis‑4‑fachen Verbesserung der Rückrufrate und gleichzeitig reduzierten Fehlalarms.

Eine SHAP‑Analyse verdeutlicht, dass das Modell implizit lokale physikalische Treiber wie Advektion, Strahlung und Subsidenz rekonstruiert, was eine nachvollziehbare Erklärbarkeit für die operative Situationsbewertung liefert.

Die Arbeit demonstriert, wie leichtgewichtiges, physikgestütztes Machine Learning die Sichtvorhersage in der Luftfahrt verbessern kann, und legt gleichzeitig den Grundstein für erklärbare KI und Edge‑Computing-Anwendungen in der Wettervorhersage.