25.10.2022, 15:00 Uhr
Universität Wien
Besprechungsraum 6.35
Währinger Str. 29
1090 Wien

Titel: "Improving Extreme Value Prediction in Wind Forecasts using Imbalanced Regression Measures"

Kurzfassung:
Wettervorhersagen werden gegenwärtig für ein breites Spektrum von Anwendungen
genutzt, wobei häufig der Erkennung und Bereitstellung von Warnungen vor anomalen
Wetterereignissen besondere Aufmerksamkeit gewidmet werden muss. Dies ist ein oftmals
unzureichend berücksichtigtes Problem, da herkömmliche Verfahren dazu neigen, die
Prognose in Richtung der Normalwerte zu verzerren.
Diese Arbeit konzentriert sich auf die Vorhersage von starken Winden, da Stürme zu den
kostenträchtigsten Naturgefahren in Europa gehören. Darüber hinaus zeigen PESETAStudien,
dass diese Gefahrensituation in Gebirgsregionen, z. B. in Skandinavien und den
Alpen, aber auch in Süditalien bei einer künftigen globalen Erwärmung weiter zunehmen
wird.
Die Schwierigkeit dieser Arbeit liegt darin, die eingangs erwähnte Verzerrung zugunsten
der Vorhersage von Starkwinden und Böen zu korrigieren. Während der Mensch
die Fähigkeit zum Lernen aus Extremsituationen besitzt, indem er Wissen aus den
vorherrschenden Umständen ableitet und auf künftige Situationen umlegt und anwendet,
stellt das seltene Auftreten solcher Ereignisse ein Problem im Zusammenhang mit der
Erstellung von computergestützten Prognosemodellen dar.
Wir implementieren eine hybride Methode mit einem zeitintervall-basierten Machine
Learning-Modell, das Standortbeobachtungen und Daten eines numerischen Wettervorhersagemodells
als Eingangsgrößen für mittelfristige Punktprognosen zur Wind- und
Böengeschwindigkeit für Standorte in komplexem und semi-komplexem Terrain verwendet.
Die wesentliche Neuerung besteht darin, dass wir das Problem der Vorhersage potenziell
gefährlicher Ereignisse mittels eines herkömmlichen Regressionsansatzes ansprechen,
welcher flexibel um dedizierte Maßnahmen ergänzt werden kann, die diese besondere
Anforderung berücksichtigen.
Wir zeigen, dass ein mit dieser Erweiterung versehenes Modell die Vorhersagen für
relevante Fälle deutlich verbessert und somit die definierten domänenspezifischen Anforderungen
besser widerspiegelt als ein entsprechender Basisansatz unter Verzicht einer
solchen Optimierung. Außerdem demonstrieren wir, dass unsere Methode das Auftreten
von Extrema zuverlässiger erkennen kann als das ARPEGE- sowie das Persistenzmodell.
Folglich können die mit diesem Prognoseprodukt gewonnenen Erkenntnisse dazu
beitragen, gefährliche Situationen einzudämmen und letztlich mögliche Katastrophen zu
vermeiden.