RadarQA: KI-gestützte Qualitätsanalyse von Wetterradar‑Vorhersagen

In der Meteorologie ist die Bewertung von Wettervorhersagen von entscheidender Bedeutung. Traditionelle, punktuelle Bewertungsmetriken können zwar Fehler quantifizieren, bleiben jedoch bei der Beschreibung, Interpretierbarkeit und dem Verständnis der dynamischen Entwicklung hinter den Erwartungen von Fachleuten zurück. Mit dem raschen Aufstieg multimodaler Large‑Language‑Modelle (MLLMs) eröffnet sich die Möglichkeit, diese Lücken zu schließen.

Das neue Verfahren RadarQA nutzt ein MLLM, um Wetterradar‑Vorhersagen anhand wichtiger physikalischer Merkmale zu analysieren und detaillierte Bewertungsberichte zu generieren. Dabei wird ein umfassendes Aufgabenparadigma vorgestellt, das sowohl Einzelbilder als auch Sequenzen abdeckt und sowohl Bewertungs- als auch Analyse‑Szenarien umfasst.

Zur Unterstützung von Training und Benchmarking wurde ein hybrider Annotations‑Pipeline entwickelt, der menschliche Expertenkennzeichnungen mit automatisierten Heuristiken kombiniert. Auf dieser Basis entstand das RQA‑70K‑Datensatz, der 70.000 Beispiele mit unterschiedlichen Schwierigkeitsgraden für die Qualitätsbewertung von Radar‑Vorhersagen enthält.

Durch einen mehrstufigen Trainingsansatz, der die Modellleistung in jeder Phase iterativ verbessert, übertrifft RadarQA bestehende generische MLLMs in allen Evaluationssettings. Die Ergebnisse zeigen, dass die Methode ein bedeutendes Potenzial für die Weiterentwicklung der Qualitätsanalyse in der Wettervorhersage besitzt.