Welt der Wissenschaft | Frank Techel (SLF) über Menschen und Modelle

Zusätzlich zum physikalischen Schneedeckenmodell SNOWPACK, das anhand von Wetterdaten die Schichtung der Schneedecke an einem bestimmten Punkt berechnet, werden am SLF drei Machine Learning (“KI”) Modelle eingesetzt. Diese Modelle haben anhand von Trainingsdatensätzen statistische Zusammenhänge zwischen Schneedeckensimulationen, Wetterdaten und Lawinenbeobachtungen oder Gefahrenstufen “gelernt”. Die erlernten Zusammenhänge werden genutzt, um relevante Lawinenparameter (Auslösewahrscheinlichkeit, Gefahrenstufe) ohne Zutun menschlicher PrognostikerInnen vorherzusagen.

PG: In deinen Publikationen schreibst du, dass der Trend in der Schweizer Lawinenwarnung weg geht von einem reinen “expert based approach” und hin zu einem “data and model-driven Approach”. Ist das ein grundsätzliches Ziel bei euch? 

FT: Ich weiss nicht, ob ein reiner Daten- und Modell-getriebener Ansatz wirklich das Ziel ist, aber ich sehe ein stärkeres Eingehen von immer besser werdenden Modellen in den Prognoseprozess als eine logische Entwicklung. Bis vor ungefähr fünf Jahren hatten wir in der Lawinenwarnung eigentlich nur die Beobachtung von heute, Messwerte von heute und eine Wettervorhersage für den Folgetag. Wir hatten auch schon das Schneedeckenmodell SNOWPACK, es wurde bei uns aber wenig genutzt. Wettermodelle waren also die einzigen Modelle, die wirklich eine Rolle gespielt haben. Den ganzen Rest haben die Lawinenwarnerinnen und -warner mit ihrer Erfahrung, ihrem Wissen, ihrem Bauchgefühl gemacht. Das meine ich mit Expert Based Approach. 

Seit ein paar Jahren haben wir viel mehr Modelldaten zur Verfügung. Zum einen SNOWPACK, das wir zunehmend auch prognostisch benutzen, und zum anderen die Machine Learning Modelle, die quasi auf SNOWPACK oben drauf kommen. Da hat sich viel getan, seit der letzte PowderGuide Artikel zu dem Thema erschienen ist. Damals hatten wir die Modellketten schon teilweise getestet, aber mittlerweile läuft das sehr stabil und ist operationell im Einsatz. Neben der ganzen Programmierarbeit, die dafür nötig war, ist auch die Schulung der Lawinenwarner und -warnerinnen mega wichtig. Wir müssen alle lernen, was die Modelle können und vor allem, was sie nicht können.

Nimmst du in Nachbarländern auch diesen Trend wahr, hin zu Modellen und weg von rein menschlichem Expertentum? 

Ja. Wenn ich mit Kollegen in Tirol spreche, oder in Norwegen oder Kanada, ist eigentlich allen klar, dass Modelle eine große Chance bieten. Da rede ich nicht von KI, sondern von allen Modellen. Es ist sicher noch viel Umsetzungsarbeit nötig, genauso wie Forschung, aber Modelle haben großes Potential, die Lawinenwarnung zu verbessern. Ich versuche diesen Transfer voranzutreiben - dass die Modelle wirklich von der Forschung zu uns in die Lawinenvorhersage kommen. 

Wie sieht der “model-driven approach” im laufenden Betrieb aus?

Ich weiss nicht, ob ich schon von einem model-driven approach sprechen würde. Aber die Modelle bieten jetzt schon eine wertvolle zweite Meinung, wie die vorhandenen Daten interpretiert werden können. Wenn ich also eine Prognose erstelle, dann mache ich mir weiterhin genau die gleichen Überlegungen wie vor ein paar Jahren, aber ich habe auch ein Modell, das mir zum Beispiel etwas zur Wahrscheinlichkeit von Spontanlawinen sagt.

Reden wir etwas genauer über die Modelle, die bei euch im Einsatz sind. Kannst Du kurz sagen, was SNOWPACK macht?

SNOWPACK nimmt Wetterdaten und berechnet daraus quasi die Schneedecke. Jedes Wetterereignis hat einen Einfluss auf die Schneedecke, sei es ein Zuwachs mit einer Neuschneeschicht, oder wenn Schmelzwasser eindringt, oder sonst irgendwas. SNOWPACK simuliert diese Prozesse dann für einen bestimmten Punkt. 

SNOWPACK ist kein KI Modell, sondern ein physikalisches Modell, dass basierend auf unserem Prozessverständnis ausrechnet, was in der Schneedecke passiert, wenn es zum Beispiel regnet oder drauf schneit. 

Genau, ja. 

Ihr habt mittlerweile einige KI Modelle -  darunter das Danger Level Model, das Instability Model und das Natural Avalanche Model. Was machen die?

Wir haben wie gesagt die sehr komplexen Simulationen aus SNOWPACK an hunderten Datenpunkten und für verschiedene Expositionen. In Summe sind das sehr viele Daten, die man für den Lawinenwarner erstmal nutzbar und interpretierbar machen muss. Mit den KI Modellen versuchen wir, die relevantesten Informationen herauszufiltern. 

Alle drei KI Modelle sind auf eine ganz spezifische Fragestellung trainiert. Sie können jeweils eine spezielle Sache. Das Gefahrenstufenmodell zum Beispiel hat mit Daten der letzten zwanzig Jahre gelernt, welche Kombination von Wetterdaten und SNOWPACK Schneeschichten ungefähr mit welcher Gefahrenstufe korreliert.

Das Instability Modell ist anders. Das nimmt nur das simulierte Schichtprofil und geht jede Schichtkombination durch. Wie sieht die Schicht aus? Könnte das eine Schwachschicht sein und liegt ein Schneebrett drüber? Das Modell hat die Korrelationen anhand von Rutschblocktests gelernt. Es gibt dann eine Wahrscheinlichkeit an, dass dies eine typische Kombination von einer Schwachschicht und dem “Brett” darüber ist. Basierend auf den Daten aus der Vergangenheit erwarten wir dann ein mehr oder weniger schwaches Rutschblock-Ergebnis. Die ungünstigste Schicht-Brett-Kombination in einem simulierten Profil klassiert dann das Schneeprofil als schwach oder als stabil.

Das Spontanlawinenmodell baut auf dem Instability Model auf und nimmt auch noch Neuschnee als Parameter. Das hat aus einem historischen Datensatz mit beobachteten Lawinen gelernt. Das Modell haben wir letzten Winter das erste Mal operationell eingesetzt und anschließend ausgewertet, wie die Vorhersagen des Modells mit Radar-detektierten Lawinen korrelieren. Die Radardaten stammen von bestimmten Lawinenzügen, wo fest installierte Sensoren erkennen, wenn eine Lawine abgeht. Solche Systeme werden zum Beispiel bei exponierten Verkehrswegen für automatisierte Straßensperrungen genutzt. Für die Evaluierung des Spontanlawinenmodells ist das ein interessanter Datensatz, weil das Radar die Lawinen quasi in Echtzeit registriert. Menschliche Lawinenbeobachtungen sind dagegen meistens zeitlich etwas verzögert, weil wir die Lawinen ja nicht immer gleich während des Abgangs bemerken, oder weil es schneit und wir einfach nichts sehen. Der Abgleich mit den Radar-Detektionen hat unser Gefühl bestätigt, dass das Modell ein bisschen verzögert reagiert. Das liegt vermutlich daran, dass das Modell mit den menschlichen Beobachtungen trainiert wurde, die eben auch ein bisschen verzögert sind. Es ist bei allen Modellen also sehr wichtig, dass wir wissen, wie die Modelle trainiert sind, weil das auch potenzielle Fehler bestimmt.

Die KI basierten, statistischen Modelle werden mit euren Prognosen und Beobachtungen und den Schneedecken Simulationen von SNOWPACK trainiert. Das heißt, wir brauchen weiterhin das physikalische Prozessverständnis und können uns nicht nur irgendwie auf die Zauberei der KI verlassen, oder?

Genau. Ich hätte sehr gern Modelle, die die physikalischen Prozesse möglichst gut abbilden. Ich schaue eigentlich nie nur den Output des Instability Modells an, sondern ich gehe immer wieder auch zurück zur SNOWPACK Simulation und schaue mir für einige Stationen an, ob die Schichten plausibel aussehen. Es ist mega wichtig, dass wir in diesen langen Modellketten wenigstens ansatzweise verstehen, was passiert. Die KI Modelle kommen ganz, ganz am Ende und sind eigentlich nur drüber gestülpt über alles, was davor passiert. 

Die KI Modelle helfen, das Relevante rauszuziehen. SNOWPACK spuckt sehr, sehr viel Information aus und die KI filtert dann für uns. Kann man es so zusammenfassen? 

Ja, das kann man so zusammenfassen. Letztendlich sind das einfach Modelle, die am Ende auf SNOWPACK oben drauf kommen. Aber diese “kleinen” Modelle haben bei uns zu einem recht großen Sprung in der Verwendung von SNOWPACK im Prognosedienst geführt. Denn die machen plötzlich den komplexen Output des SNOWPACK Modells verdaubar, indem sie daraus relativ einfach verständliche, relevante Informationen extrahieren. Daher denke ich, dass es wichtig wäre, wenn wir die Modelle noch einfacher bei der Erstellung der Prognose integrieren könnten.

Wie läuft das in der Praxis ab? Ich sage Drei plus. Du sagst Vier minus, das Modell sagt drei plus. Dann bilden wir den Median. Wie sieht dann die Diskussion aus?

In diesem Fall würden wir, wenn wir das Modell mit dazu nehmen, mit 3+ als Ausgangspunkt starten. Nehmen wir mal an, ich wäre jetzt sehr unzufrieden damit, der Situation für morgen einen Dreier zu geben. Dann wäre meine Aufgabe, den anderen zu erläutern, wieso ich das für nicht richtig halte. Möglichst datenbasiert, wobei dies natürlich schwierig ist, denn am Ende steckt immer unsere menschliche Interpretation drin. In dieser Diskussion wird wahrscheinlich auch mal so, mal so entschieden. Und das ist auch eine unserer Schwächen, denn wir Menschen sind nicht immer konsistent.

Also es menschelt nach wie vor?

Es menschelt ganz klar. Wir sind weiterhin primär menschliche Lawinenwarner. Die Modelle können uns aber unterstützen und uns aufzeigen, wo wir vielleicht heute noch mal genauer hinschauen müssen. 

Bleibt das auch in Zukunft so?

Ich weiß nicht, wie eine Lawinenwarnung der Zukunft aussehen wird. Vielleicht ist in zehn Jahren die Prognose hoch aufgelöst, vielleicht machen Modelle dann auch einen großen Teil der Prognose. Wer weiß? Vielleicht ist es deswegen dann aber umso wichtiger, dass wir noch Erläuterungen mitgeben und dem User kommunizieren können: “Passt genau dort auf…” Also diese menschliche Stimme, die man noch mit rein bringt. Wie die Lawinenprognose der Zukunft aussieht, ist für mich noch sehr offen.