Allvarliga väderhändelser, såsom kraftiga regn, ökar över hela världen. Tillförlitliga bedömningar av dessa händelser kan rädda liv och skydda egendom. Forskare vid Karlsruhe Institute of Technology (KIT) har utvecklat en ny metod som använder artificiell intelligens (AI) för att omvandla globala väderdata med låg upplösning till högupplösta nederbördskartor. Metoden är snabb, effektiv och oberoende av plats. Deras resultat har publicerats i npj Climate and Atmospheric Science.
”Kraftiga regn och översvämningar är mycket vanligare i många regioner i världen än för bara några decennier sedan”, säger Dr Christian Chwala, expert på hydrometeorologi och maskininlärning vid Institutet för meteorologi och klimatforskning (IMK-IFU), KIT:s Campus Alpin i den tyska staden Garmisch-Partenkirchen. ”Men hittills har det saknats data för tillförlitliga regionala bedömningar av sådana extrema händelser för många platser.”
Hans forskargrupp tar itu med detta problem med en ny AI som kan generera exakta globala nederbördskartor utifrån information med låg upplösning. Resultatet är ett unikt verktyg för analys och bedömning av extremt väder, även för regioner med dålig datatäckning, såsom den globala södern.
För sin metod använder forskarna historiska data från vädermodeller som beskriver global nederbörd i timintervaller med en rumslig upplösning på cirka 24 kilometer. Deras generativa AI-modell (spateGEN-ERA5) tränades inte bara med dessa data, utan lärde sig också (från högupplösta väderradarmätningar gjorda i Tyskland) hur nederbördsmönster och extrema händelser korrelerar i olika skalor, från grov till fin.
”Vår AI-modell skapar inte bara en mer fokuserad version av indata, utan genererar flera fysiskt plausibla, högupplösta nederbördskartor”, säger Luca Glawion från IMK-IFU, som utvecklade modellen under sitt doktorandarbete inom forskningsprojektet SCENIC. ”Detaljer med en upplösning på 2 kilometer och 10 minuter blir synliga. Modellen ger också information om den statistiska osäkerheten i resultaten, vilket är särskilt relevant vid modellering av regionaliserade kraftiga nederbördsmängder.”
Han noterade också att validering med väderradardata från USA och Australien visade att metoden kan tillämpas på helt olika klimatförhållanden.
Korrekt bedömning av översvämningsrisker världen över
Med sin globala tillämpbarhet erbjuder forskarna nya möjligheter för bättre bedömning av regionala klimatrisker. ”Det är de särskilt utsatta regionerna som ofta saknar resurser för detaljerade väderobservationer”, säger Dr Julius Polz från IMK-IFU, som också var delaktig i utvecklingen av modellen.
”Vår metod gör det möjligt att göra mycket mer tillförlitliga bedömningar av var kraftiga regn och översvämningar sannolikt kommer att inträffa, även i regioner med dålig datatäckning.” Den nya AI-metoden kan inte bara bidra till katastrofhantering i nödsituationer, utan också till genomförandet av mer effektiva långsiktiga förebyggande åtgärder, såsom översvämningsskydd.
Mer information: Luca Glawion et al, Global spatio-temporal ERA5 precipitation downscaling to km and sub-hourly scale using generative AI, npj Climate and Atmospheric Science (2025). DOI: 10.1038/s41612-025-01103-y
