Forschung in Frontiers in Climate veröffentlicht: Deep Learning verbessert saisonale Niederschlagsvorhersagen für das Einzugsgebiet des Blauen Nils

Eine neue Studie von SPS Blue Nile Forschenden am Karlsruher Institut für Technologie (KIT), veröffentlicht in Frontiers in Climate, stellt einen Deep-Learning-Ansatz vor, der saisonale Niederschlagsvorhersagen für das Einzugsgebiet des Blauen Nils deutlich verbessert.

Der Artikel, verfasst von Rebecca Wiegels, Christian Chwala, Julius Polz, Luca Glawion, Christof Lorenz, Tanja C. Schober und Harald Kunstmann, stellt Seasonal AFNOCast vor – eine neuartige Deep-Learning-Architektur auf Basis eines Adaptive Fourier Neural Operator (AFNO) – zur Biaskorrektur und räumlichen Disaggregation von SEAS5-Niederschlagsvorhersagen des Europäischen Zentrums für mittelfristige Wettervorhersage (ECMWF) für das grenzüberschreitende Einzugsgebiet des Blauen Nils in Äthiopien und Sudan.

Saisonale Niederschlagsvorhersagen sind für klimasensitive Sektoren wie Landwirtschaft, Wasserkraft und Wasserressourcenmanagement in der Region unverzichtbar. Globale Vorhersagesysteme leiden jedoch unter systematischen Fehlern und einer unzureichenden räumlichen Auflösung, um lokale Charakteristika abzubilden. Seasonal AFNOCast begegnet diesen Einschränkungen, indem es räumliche und zeitliche Abhängigkeiten über das gesamte Ensemble hinweg erlernt und hochauflösende, physikalisch plausible Niederschlagsfelder erzeugt.

Im Vergleich mit der etablierten statistischen Nachverarbeitungsmethode Bias Correction and Spatial Disaggregation (BCSD) für den Zeitraum 2017–2023 zeigen die Ergebnisse, dass beide Methoden Niederschlagsverteilungen und räumliche Muster deutlich verbessern. Seasonal AFNOCast zeigt besondere Stärken bei längeren Vorlaufzeiten sowie bei der Darstellung von Starkregenereignissen. Entscheidend ist zudem, dass Vorhersagen 5–20-mal schneller als mit BCSD erzeugt werden, was die Methode besonders geeignet für operative Vorhersagekontexte macht.

Beide Methoden zeigen klare Verbesserungen der Vorhersagegüte in der Vorregensaison von März bis Mai – einer hoch variablen, operativ jedoch besonders kritischen Periode für landwirtschaftliche Entscheidungen im Einzugsgebiet.

Die Studie wurde in Zusammenarbeit mit ICPAC durchgeführt mit dem expliziten Ziel, operative saisonale Vorhersagedienste im Großraum Horn von Afrika zu unterstützen.

👉 Vollständigen Artikel lesen: https://doi.org/10.3389/fclim.2026.1691030