DeepRain:
Effiziente Lokale Niederschlagsvorhersage durch Maschinelles Lernen

DeepRain wird moderne Methoden des Maschinellen Lernens mit hoch-performanten Systemen zur Datenbereitstellung und –prozessierung verbinden, um räumlich und zeitlich hoch aufgelöste Karten mit verbesserten und validierten Niederschlagsvorhersagen einschließlich ihrer Unsicherheiten zu generieren, die auf Vorhersagen mit hochauflösenden, regionalen Wettermodellen beruhen. Neben der eigentlichen Methodenentwicklung werden Aspekte der Daten-Kuration und Effizienz gezielt untersucht, um am Ende des Projektes eine vollständige Prozesskette zu demonstrieren, welche in eine operationelle Nutzung überführt bzw. in bestehende Workflows eingebettet werden kann. Die Grundlage für die Anwendung des Maschinellen Lernens ist eine neuartige Verknüpfung von Daten aus numerischen Wettervorhersagemodellen mit Niederschlagsradar-, Blitz- und Stationsmessungen sowie topografischen Daten.

Konkretes Ziel des Projektes ist die Berechnung von Wahrscheinlichkeiten für starke, mittlere und schwache Regenereignisse (inklusive der zu erwartenden Niederschlagsmenge) und für das Auftreten von Gewittern im gesamten Bundesgebiet über einen Zeitraum von 24 Stunden mit einer räumlichen Auflösung von 1 km oder besser. Weitere Schwerpunkte bilden die Evaluierung des Systems und die Performance-Optimierung der Datenaufbereitung und der Maschinellen Lern-Algorithmen. Letzteres ist essentiell, da erst die Leistung aktueller HPC-Architekturen einen solchen Ansatz ermöglicht. Die benötigte Performance kann aber nur erreicht werden, wenn die Programme und Algorithmen an die Architekturen angepasst werden.

Jacobs University untersucht in DeepRain die effiziente Kopplung von Deep Learning mit Array Datenbanken auf Basis von rasdaman.