Deep Learning liefert Regenvorhersagen für vier indische Metropolen – erklärbar

Eine neue Studie aus dem arXiv-Repository präsentiert ein erklärbares Deep‑Learning‑Modell, das kurzfristige Regenvorhersagen für Bengaluru, Mumbai, Delhi und Kolkata liefert. Durch die Kombination von Convolutional Neural Networks (CNN) und Long Short‑Term Memory‑Zellen (ConvLSTM) entsteht ein hybrides System, das sowohl räumliche als auch zeitliche Muster in Wetterdaten erfasst.

Das Modell wurde mit multi‑deka­dalen ERA5‑Reanalyse‑Daten trainiert und für jede Stadt individuell angepasst. Bengaluru nutzt 32 Filter, Mumbai und Delhi jeweils 64, während Kolkata 128 Filter einsetzt. Diese Anpassung spiegelt die unterschiedlichen Klimabedingungen der vier Metropolen wider.

Die Ergebnisse sind beeindruckend: Die Root‑Mean‑Square‑Error‑Werte liegen bei 0,21 mm/Tag für Bengaluru, 0,52 mm/Tag für Mumbai, 0,48 mm/Tag für Delhi und 1,80 mm/Tag für Kolkata. Das Modell kann Vorhersagen bis zu fünf Tage im Voraus liefern, wobei die Vorhersagehorizonte je nach Stadt variieren – von einem Tag für Bengaluru bis zu fünf Tagen für Kolkata.

Um die „Black‑Box“-Natur von Deep‑Learning‑Modellen zu überwinden, wurden mehrere Interpretationsmethoden eingesetzt: Permutationsimportance, Gradient‑Weighted Class Activation Mapping (Grad‑CAM), zeitliche Occlusion und counterfactual Perturbation. Diese Techniken haben gezeigt, dass das Modell stadt‑spezifische Variablen nutzt und unterschiedliche Muster in den Vorhersagen erkennt.

Die Studie demonstriert, dass erklärbare KI (xAI) nicht nur genaue Vorhersagen liefert, sondern auch transparente Einblicke in die zugrunde liegenden Entscheidungsprozesse bietet. Dies eröffnet neue Möglichkeiten für die Integration von Deep‑Learning‑Modellen in die reale Wettervorhersage und fördert das Vertrauen von Meteorologen und Entscheidungsträgern in datenbasierte Prognosen.