Anwendung Maschinellen Lernens zur Bestimmung von Wolkeneigenschaften aus solaren Satellitenkanälen zur Nutzung in der Datenassimilation

Echtfarben-Komposit der sichtbaren Meteosat-Third-Generation-(MTG)-Kanäle bei 0,4, 0,5, 0,6 und 0,8 μm um 12 UTC am 11. Juni 2026 (links) sowie Wolkenphasen-Komposit der Kanäle bei 0,6, 1,6 und 2,2 μm (rechts). Die Kanäle bei 1,6 und 2,2 μm sind Nahinfrarotkanäle und liefern im Vergleich zu den sichtbaren Kanälen unabhängige Informationen über die Wolkenphase.

Da die Qualität von Wettervorhersagen auch von der Genauigkeit ihrer Anfangsbedingungen abhängt, ist eine kontinuierliche Verbesserung dieser Bedingungen unerlässlich. Die beste Schätzung des aktuellen Zustands der Atmosphäre wird üblicherweise durch ein statistisches Verfahren namens Datenassimilation gewonnen, das zwei Informationsquellen kombiniert: Beobachtungen und eine Kurzfristvorhersage (typischerweise zwischen 1 und 6 Stunden). Die Kurzfristvorhersage wird mithilfe von Vorwärtsoperatoren mit den Beobachtungen verglichen, d. h. Funktionen, die die Messungen anhand des im Modell dargestellten atmosphärischen Zustands simulieren.

Satellitenbeobachtungen im solaren Spektralbereich (einschließlich sichtbarer und nahinfraroter Kanäle) liefern hochauflösende Informationen über Wolken und atmosphärische Eigenschaften und besitzen daher ein erhebliches Potenzial für die Datenassimilation. Obwohl geeignete Vorwärtsoperatoren für die Assimilation dieser Beobachtungen erst kürzlich verfügbar wurden und ein erster sichtbarer Kanal bereits operationell beim DWD genutzt wird, bleibt ihre gemeinsame Assimilation aufgrund der spezifischen Eigenschaften des zugehörigen Vorwärtsoperators (z. B. Nichtlinearität und Mehrdeutigkeit) sowie ihrer hohen kanalübergreifenden Korrelationen anspruchsvoll.

Diese Studie verfolgt zwei Ziele: erstens den situationsabhängigen gemeinsamen Informationsgehalt mehrerer solarer Kanäle unabhängig vom Datenassimilationssystem zu quantifizieren, und zweitens zu untersuchen, ob die beobachteten Reflektanzen in physikalisch sinnvolle Variablen mit quantifizierten Unsicherheiten umgewandelt werden können, die sich besser für die Assimilation eignen als die Reflektanzen selbst. Zu diesem Zweck stellen wir den „Backward Operator" (BO) vor, eine auf maschinellem Lernen basierende Methode, die als distributionales Regressionsnetzwerk implementiert ist und probabilistische Retrievals von Wolkeneigenschaften (z. B. optische Wolkendicke und Eisanteil) mithilfe der solaren Kanalreflektanzen des Meteosat-Third-Generation-Satelliten berechnet. Der BO ist darauf ausgelegt, den Vorwärtsoperator partiell und näherungsweise zu invertieren, wodurch der gemeinsame Informationsgehalt der Eingangskanäle quantifiziert werden kann. Die Ergebnisse zeigen, dass die probabilistischen Retrievals ‘reliable’ sind, und Einblicke in den gemeinsamen Informationsgehalt dieser solaren Kanäle liefern. Das Design des BO sowie seine situationsabhängigen Unsicherheitsschätzungen machen ihn für die Datenassimilation geeignet. Darüber hinaus zeigte die Kombination mehrerer sichtbarer Kanäle, trotz ihrer hohen kanalübergreifenden Korrelationen, eine deutliche Leistungsverbesserung.

Franzoni, S., C. Bülte, L. Scheck, C. Keil, G.C. Craig (2026): Using Distributional Regression Networks to Retrieve Cloud Properties from Solar Satellite Channels for Data Assimilation. Q. J. Roy. Meteorol. Soc., under review, Preprint: https://arxiv.org/abs/2606.21294