Neue KI schliesst Datenlücken und zeigt, wie Extremwetter auf der Erde entsteht
Das neue KI-Modell namens Earth System Foundation Model hat die
grundlegenden Zusammenhänge zwischen Atmosphäre, Landoberfläche und
Wasserkreislauf erlernt.
Das KI‑Modell kann fehlende Daten ergänzen und flexibel eine Vielzahl von
Datentypen und Aufgaben in der Wetter‑ und Umweltforschung bearbeiten.
Dank der Kenntnis, wie Luft, Land und Wasser einander beeinflussen, kann
es zu einem besseren Verständnis von Wetterextremen wie Stürmen oder
Dürren beitragen.
Die Folgen waren gravierend: In kürzester Zeit verstärkte sich der
Tropensturm Doksuri im Juli 2023 zu einem Supertaifun. Aussergewöhnlich
starke Winde rissen entlang der Küsten Chinas und der Philippinen Dächer
von Häusern, entwurzelten Bäume, und sintflutartige Regenfälle
überfluteten Strassen und Wohngebiete. Vielerorts kam das öffentliche
Leben vorübergehend zum Erliegen.
Extreme Ereignisse wie der Supertaifun Doksuri sind für Wetter‑ und
Klimamodelle besonders schwer vorherzusagen, da sie aus komplexen
Wechselwirkungen zwischen Atmosphäre, Landoberfläche und Wasserkreislauf
entstehen. Forschende aus dem ETH‑Bereich haben nun ein neues Modell der
künstlichen Intelligenz (KI) vorgestellt, das genau diese Rückkopplungen
selbstständig – und ohne menschliche Anleitung – erlernt hat und im
Vergleich zu bisherigen KI-Modellen präziser versteht, wie Luft, Land und
Wasser auf der Erde zusammenspielen.
KI versteht Zusammenhänge im Erdsystem
Das neue Earth System Foundation Model (ESFM) behandelt atmosphärische und
hydrologische, also wasserbezogene Prozesse nicht isoliert, sondern bildet
sie als Teil des vernetzten Systems der Erde ab.
«Bisherige KI-Wettermodelle konzentrieren sich oft stark auf die
Atmosphäre. Unser Modell dagegen verknüpft gezielt atmosphärische
Wetterdaten mit hydrologischen und landbezogenen Daten. Auf dieser
Grundlage erkennt die KI zentrale Muster, Trends und Zusammenhänge im
Wettergeschehen auf der Erde – und erstellt darauf basierend Prognosen,
selbst wenn wichtige Daten fehlen», erklärt Fanny Lehmann. Sie ist
Mathematikerin, ETH AI Center Postdoctoral Fellow und Mitglied des Teams,
das das neue Modell entwickelt hat.
«Die eigentliche Stärke unseres Modells liegt darin, dass es die für das
Wetter entscheidenden Wechselwirkungen aus verschiedenen Datenquellen
erlernt. Dadurch kann das ESFM sehr unterschiedliche und schwer
vergleichbare Datentypen zusammenführen und erstmals gemeinsam auswerten.»
Die Forschenden testeten ihr Modell am Beispiel des Supertaifuns Doksuri.
Dieser war nicht Teil der Trainingsdaten. Dennoch sagte ESFM die
Windstärke über mehrere Tage hinweg mit bemerkenswerter Genauigkeit voraus
und bildete zugleich realistisch ab, wo sich der Sturm jeweils befand, wie
schnell er sich bewegte und wie er sich räumlich ausdehnte. Dabei zeigte
sich, wie gut das neue Modell sehr grosse, komplexe und heterogene
Datensätze gemeinsam verarbeiten kann.
Lernen aus unvollständigen, heterogenen Daten
Der integrative Ansatz des ESFM entspricht einem Bedarf in den Klima‑ und
Umweltwissenschaften. In der Forschungspraxis sind Daten oft sehr
unterschiedlich: Manche stammen aus Satellitenbildern, andere aus
Wetterballons, Bodenstationen oder weiteren Sensoren. Entsprechend reichen
sie von hochaufgelösten, kurzfristigen Messungen bis hin zu grossräumigen,
langfristigen Beobachtungen.
Auch die Datentypen unterscheiden sich stark: Während Satellitenbilder und
Klimamodelle ihre Daten in Form grossflächiger Rasterkarten liefern,
erfassen Bodenstationen oder Messbrunnen typische Grössen wie Temperatur,
Luftdruck, Windgeschwindigkeit oder Wasserstand punktuell an bestimmten
Orten und zu definierten Zeitpunkten.
Um diese unterschiedlichen Umweltdaten zusammenzuführen, verfolgt das ESFM
einen integrativen, mehrstufigen Ansatz: Statt alle Daten von Beginn an in
ein einheitliches Format zu zwingen, behandelt es sie zunächst je nach Typ
getrennt – ob es Satelliten- oder Stationsdaten sind – und versieht sie
mit Angaben dazu, wann und wo sie gemessen wurden.
So lassen sich sehr unterschiedliche Daten in einem gemeinsamen räumlichen
und zeitlichen Rahmen zusammenführen, ohne dass die datenspezifische
Information dabei verloren geht. Auf dieser Grundlage erlernt das Modell
die typischen, wiederkehrenden Prozessketten und die grundlegenden
Wirkungszusammenhänge zwischen Land, Luft und Wasser.
Leistungsfähig auch bei fehlenden Daten
«Frühere KI‑Modelle für Wettervorhersagen wurden – anders als ESFM – oft
nur mit einem einzelnen Datentyp oder wenigen, ähnlich aufgebauten
Datensätzen trainiert», erklärt Firat Ozdemir, leitender Entwickler des
ESFM‑Teams und Senior Data Scientist am gemeinsamen Swiss Data Science
Center von ETH Zürich und EPFL. «Sie verlieren oft an Leistungsfähigkeit,
wenn sie mit sehr heterogenen oder unvollständigen Daten arbeiten müssen.
ESFM hingegen integriert Daten aus mehreren Quellen und schliesst
Datenlücken deutlich effizienter.»
«Das ESFM ist weder ein klassisches Klimamodell noch ein reines
Wettervorhersage- oder spezielles Sturmwarnmodell, sondern es gehört zu
einer eigenen Modellkategorie, die als flexible Basis für verschiedene
Aufgaben in der Klima‑ und Wetterforschung dienen kann», sagt der
Atmosphärenwissenschaftler Sebastian Schemm, Professor an der University
of Cambridge und zuvor an der ETH Zürich. «Sein Vorteil liegt in einem
erlernten Systemverständnis, dank dem es in vielen Fällen auch bei
unvollständigen oder lückenhaften Daten plausible Vorhersagen liefern
kann.»
Intelligent im Umgang mit Datenlücken
Solche Datenlücken erschweren den bisherigen KI-Modellen die Analyse und
Vorhersage komplexer Wetter‑ und Wasserphänomene erheblich. In der
Forschungspraxis ist es jedoch nicht ungewöhnlich, dass einzelne Messungen
durch Witterungseinflüsse oder technische Probleme verloren gehen oder
beeinträchtigt werden. Auch weisen die Messnetze mitunter Lücken auf, wenn
Stationen ungleichmässig verteilt sind.
Das ESFM hingegen ist nun gezielt darauf ausgelegt, mit fehlenden Daten
umzugehen und unvollständige Beobachtungen intern zu rekonstruieren – etwa
lückenhafte Satellitenbilder. Nach dem Training gelingt es dem Modell
sogar selbst bei Satellitendaten, bei denen nur rund drei Prozent der
Bildpunkte verfügbar sind, zuverlässige Vorhersagen zu liefern.
Die Forschenden, zu denen auch Benedikt Soja, Professor für
Weltraumgeodäsie an der ETH Zürich, zählt, konnten sowohl für Wetterdaten
aus Bodenstationen als auch für den langfristigen globalen ERA5‑Datensatz
zeigen, dass ihr Modell Datenlücken zuverlässig schliesst. Darauf
aufbauend kann das Modell plausible Vorhersagen zum Wettergeschehen
erstellen.
Auf Grundlage vieler gelernter Beispiele, wie Atmosphäre, Land und Wasser
miteinander verflochten sind, kann das ESFM unvollständige
Satellitenbilder plausibel mit Informationen ergänzen – etwa zu
Temperatur, Feuchte, Bodentyp, zu Land und Meer oder zur Topografie.
Das Modell ordnet diese Informationen systematisch in die Abläufe ein, die
etwa Niederschlag, Bodenfeuchte und Grundwasser verbinden, und trägt so
zum besseren Verständnis von Dürren und zur Möglichkeit bei, sie
vorherzusagen.
Das ESFM erschliesst fehlende Messdaten, indem es Datenlücken mit anderen
verfügbaren Datenquellen und mit Mustern verknüpft, die das Modell aus
ähnlichen Situationen in benachbarten Regionen, aus verwandten Variablen
und aus früheren Beobachtungen gelernt hat.
Lernen ist mehr als reine Wiederholung
«Durch das Training mit sehr unterschiedlichen Datentypen erwerben Modelle
wie das ESFM eine Art Grundwissen und können flexibel vielfältige Aufgaben
lösen. In der KI‑Forschung gelten sie daher als Basismodelle – oder auf
Englisch: Foundation Models», sagt Torsten Hoefler, Informatikprofessor an
der ETH Zürich, der am Supercomputing‑Zentrum CSCS in Lugano federführend
an neuen KI‑Ansätzen mitwirkt (vgl. Box).
Wie alle Basismodelle lässt sich das ESFM für verschiedene Aufgaben
einsetzen und zudem gezielt an konkrete Anwendungen anpassen – in einem
Prozess, der als Fine‑Tuning bezeichnet wird. Das Team konnte zeigen, dass
das ESFM grundlegende physikalische Gesetzmässigkeiten konsistent und
zuverlässig anwendet – auch bei neuen Fällen oder Messgrössen, für die es
nicht speziell trainiert wurde.
Künftig können das ESFM oder gezielt feinjustierte Versionen somit
zuverlässige Vorhersagen von Wetter- und Wasserprozessen liefern. «Wir
wollen die Stärke des Modells für Bereiche wie Landwirtschaft,
Biodiversität und Hydrologie erschliessen», sagt Mathieu Salzmann, Senior
Scientist an der EPFL und stellvertretender Chief Data Scientist am Swiss
Data Science Center (SDSC).
Swiss AI Initiative, ICAIN und Download
ESFM ist im Projekt «Weather and Climate Foundation Models» entstanden,
das Teil der Swiss AI Initiative ist. Mitglied des Projekts ist auch der
ETH-Mathematikprofessor Siddhartha Mishra. In dieser Initiative entwickeln
Forschende der ETH Zürich, der EPFL und weiterer Partner Basismodelle zu
Schlüsselthemen der Schweiz.
Das ESFM wird zudem vom International Computation and AI Network (ICAIN)
an der ETH Zürich unterstützt. Das Netzwerk fördert internationale
KI‑Kooperationen und setzt sich dafür ein, dass Basismodelle auch im
Globalen Süden genutzt werden. Beim ESFM hilft ICAIN, Partner in
datenarmen Regionen zu finden, um das Fine‑Tuning mit lokalen Daten zu
ermöglichen.
ESFM ist auf der KI‑Plattform HuggingFace und im Git-Repository frei
verfügbar.
Wissenschaftliche Ansprechpartner:
Fanny Lehmann, Post-doctoral fellow
ETH Zurich, ETH AI Center & Seminar for Applied Mathematics
https://math.ethz.ch/utils/sea
Firat Ozdemir
Senior. Data Scientist
Swiss Data Science Center SDSC
https://datascience.ch/people/
Originalpublikation:
Ozdemir F, Cheng Y, Mohebi S, Lehmann F, Adamov S, Trentini L, Huang L,
Lingsch L, Zhang Z, Fuhrer O, Soja B, Mishra S, Hoefler T, Schemm S,
Salzmann M: ESFM – A foundation model framework for heterogeneous data
integration. EGU General Assembly 2026, Wien, 3. –8. Mai 2026,
EGU26-18011. DOI: 10.5194/egusphere-egu26-18011
