Visualisierungen helfen uns, die Welt zu verstehen, und verdichten große Mengen komplexer Informationen, Daten und Prognosen zu einem übersichtlichen Bild. Prognosen von Expertinnen und Experten, die für ein nicht-fachkundiges Publikum bestimmt sind – ob es um die Zugbahn eines Hurrikans oder den Ausgang einer Wahl geht – enthalten immer eine gewisse Unsicherheit. Wird diese Unsicherheit in den entsprechenden Visualisierungen nicht vermittelt, können die Ergebnisse irreführend und im schlimmsten Fall gefährlich sein.
Hier betrachten wir die Rolle der Datenvisualisierung bei der Darstellung vorhergesagter Hurrikanrouten. Wir vergleichen verschiedene visuelle Methoden, um die Unsicherheit von Expertenprognosen zu transportieren, und zeigen, wie das die Interpretation durch Laien beeinflusst. Außerdem ordnen wir das in eine größere Diskussion um Best Practices ein, wie Nachrichtenmedien über Expertinnen- und Expertenmodelle sowie wissenschaftliche Ergebnisse zu gesellschaftlich relevanten Themen berichten.
Keine Spaghetti-Plots?
In jüngster Zeit haben wir die verheerenden Folgen tropischer Sturmsysteme auf dem amerikanischen Kontinent erlebt. Medien wie die New York Times haben mithilfe interaktiver Visualisierungen zu Hurrikan Harvey und Irma anschaulich erklärt, was passiert. Visualisiert wurden unter anderem der Anteil der Haushalte ohne Strom, Niederschlagsmengen, Schadensausmaß und die Zahl der Menschen in Notunterkünften.
Ein Visualisierungstyp taucht dabei immer wieder auf und sorgt zu Recht für Diskussionen: Wie zeigt man die vorhergesagte Zugbahn eines Hurrikans, etwa für die nächsten 72 Stunden? Es gibt mehrere Möglichkeiten, diese Pfade darzustellen – jede mit eigenen Fallstricken und möglichen Fehlinterpretationen. So erschien kürzlich auf Ars Technica der Beitrag Please, please stop sharing spaghetti plots of hurricane models, gerichtet an Nate Silver und fivethirtyeight.
Im Folgenden vergleiche ich drei gängige Varianten, bespreche ihre Stärken und Schwächen und mache Vorschläge für weitere Diagrammtypen. Außerdem erkläre ich, warum diese Unterschiede wichtig sind – das hilft uns, die jeweils passende Visualisierungsmethode zu wählen.
Hinweis: Ich bin definitiv kein Fachmensch für Meteorologie oder Hurrikanprognosen. Aber ich habe mich intensiv damit beschäftigt, wie man Daten, Prognosen und Modelle verständlich visualisiert. Feedback von Expertinnen und Experten – und allen anderen – ist ausdrücklich erwünscht.
Vorhergesagte Hurrikanrouten visualisieren
Es gibt drei gängige Ansätze, vorhergesagte Hurrikanrouten zu visualisieren. Bevor wir sie besprechen, schau sie dir an und überlege, welche Informationen du jeweils herauslesen kannst. Versuche, die Aussage jeder Darstellung zu interpretieren – danach klären wir Intention, Vor- und Nachteile:
Der Unsicherheitskegel
Spaghetti-Plots (Typ I)
Spaghetti-Plots (Typ II)
Interpretation und Wirkung von Visualisierungen vorhergesagter Hurrikanrouten
Der Unsicherheitskegel
Der vom National Hurricane Center (NHC) verwendete und von vielen Medien verbreitete Unsicherheitskegel zeigt den wahrscheinlichsten Pfad des Hurrikans für die nächsten fünf Tage – markiert durch die schwarzen Punkte im Kegel. Er vermittelt außerdem die Sicherheit dieser Prognose. Je weiter in die Zukunft, desto größer die Unsicherheit – visualisiert durch den breiter werdenden Kegel. Die Wahrscheinlichkeit, dass das Zentrum des Hurrikans innerhalb des Kegels bleibt, beträgt ungefähr 66,6 %.
War das allein aus der Grafik ersichtlich?
Mir anfangs nicht. Ich habe diese Informationen erst durch die Grafik, die NHC-Seite „About the cone of uncertainty“ (Link) und den Erklärartikel von weather.com (Link) zusammengetragen. Drei Punkte sind besonders wichtig und kommen später wieder:
- Eine verbreitete Fehlannahme ist, dass der breiter werdende Kegel ein anwachsenden Sturm suggeriert.
- Die Darstellung enthält keine Information über die Größe des Sturms, sondern nur über die potenzielle Route seines Zentrums – sie taugt daher kaum, um etwa Regionen mit Hurrikanstärke-Winden zu identifizieren.
- Essenzielle Informationen stehen im Begleittext zur Visualisierung, nicht nur in der Grafik selbst – etwa der prominente Hinweis oben: „[D]er Kegel zeigt den wahrscheinlichen Weg des Sturmzentrums, aber nicht die Größe des Sturms ...“. Bei der Bewertung einer Visualisierung müssen wir also alle Bestandteile einbeziehen, einschließlich Text – und bedenken, ob Menschen diesen überhaupt lesen. Interaktivität fehlt hier ebenfalls (wäre aber sinnvoll).
Spaghetti-Plots (Typ I)
Diese Darstellungen zeigen mehrere Prognosen in einer Grafik. In einem Typ-I-Spaghetti-Plot stammen die visualisierten Trajektorien meist von Modellen verschiedener Institutionen (z. B. NHC, National Oceanic and Atmospheric Administration, UK Met Office). Wie der Unsicherheitskegel zeigen sie die grobe Region, die potenziell betroffen ist. Problematisch – und irreführend – ist jedoch, dass alle Modelle (bzw. Prognosen) gleich gewichtet wirken.
Im obigen Typ-I-Plot gibt es Vorhersagen mit unterschiedlichen Unsicherheiten von Stellen, deren vergangene Prognosequalität teils sehr unterschiedlich war. Manche Pfade sind daher plausibler als andere – diese Information fehlt. Noch gravierender: Manche Linien sind kaum als Prognose zu werten. Die schwarz gepunktete Linie XTRP etwa ist lediglich eine Gerade in Verlängerung der aktuellen Zugrichtung. Das ist kein Modell. Eric Berger erläutert das ausführlicher in diesem Ars-Technica-Artikel.
Im Kern präsentieren solche Plots ein Ensemble (vergleichbar mit Umfragenaggregatoren). Ein zentrales Merkmal von Ensembles ist jedoch die angemessene Gewichtung der einzelnen Modelle – und genau diese Gewichte müssen in der Visualisierung erkennbar sein. Gleich sehen wir, wie das mit einer Variation von Typ I gelingt.
Spaghetti-Plots (Typ II)
Hier werden viele, sagen wir 50, unterschiedliche Realisierungen eines Modells gezeigt. Der Punkt: Führt man dasselbe Modell mehrfach aus, liefert es jedes Mal eine etwas andere Bahn. Warum? Nate Cohn formulierte es in The Upshot treffend:
Es ist wirklich schwierig, exakt vorherzusagen, wann ein Sturm abbiegt. Schon eine Abweichung von 15 bis 20 Meilen beim Zeitpunkt der Nordkurve kann entscheiden, ob Miami vom Eyewall getroffen wird – dem ringförmigen Gewitterband mit den stärksten Winden rund um das ruhigere Auge.
Diese Variante ist aus mehreren Gründen meine Favoritin:
- Mehrfachläufe desselben Modells machen dessen Unsicherheit sichtbar.
- Sie zeigen die relative Wahrscheinlichkeit, dass das Sturmzentrum durch einen bestimmten Ort zieht. Einfach gesagt: Führen mehr Linien durch Ort A als durch Ort B, ist es im Modell wahrscheinlicher, dass das Zentrum Ort A trifft.
- Sie sind vergleichsweise schwer fehlzuinterpretieren (im Gegensatz zum Kegel und Typ I). Ein kurzer Hinweis wie „Jede Linie steht für eine Prognose von Irmas Route“ reicht.
Ein Nachteil: Typ II bildet keine mehreren Modelle ab – das lässt sich aber durch Kombination mit Typ I lösen. Ebenfalls wie bei den anderen: Es geht nur um den Pfad des Sturmzentrums, nicht um die Ausdehnung des Sturms. Auch dafür zeigen wir gleich einen Ansatz. Die Unterscheidung zwischen Typ I und Typ II stammt übrigens nicht aus der Literatur, sondern dient hier der Klarheit, weil die Interpretationen so verschieden sind.
Bevor wir weitergehen, sollten wir die Zwecke dieser Plots explizit machen: Warum brauchen wir sie überhaupt? Ein kurzer Schritt zurück mit der Frage „Wozu visualisieren wir vorhergesagte Hurrikanrouten?“ liefert oft wertvolle Einsichten.
Warum vorhergesagte Hurrikanrouten plotten?
Warum wollen wir die vorhergesagte Zugbahn eines Tropensturms vermitteln? Darauf gibt es mehrere Antworten.
Zunächst: Diese Visualisierungen sollen nicht Menschen dazu bringen, eigenständig über Evakuierungen zu entscheiden. Über Evakuierungen entscheiden bzw. raten lokale Behörden – nach wiederholter Abstimmung mit Fachleuten, Wissenschaft, Modelliererinnen und Modellierern sowie weiteren Stakeholdern.
Das Hauptziel dieser Visualisierungen ist, die Bevölkerung bestmöglich über mögliche Routen des Hurrikans zu informieren, damit sie sich – falls ihr Aufenthaltsort potenziell auf der Route liegt – auf das Schlimmste vorbereiten kann. Es geht nicht darum, unnötig Angst zu schüren. Wie weather.com festhält zum Unsicherheitskegel: „Jedes tropische System erhält einen Vorhersagekegel, um der Öffentlichkeit zu helfen, seine Richtung besser zu verstehen“, und: „Der Kegel zeigt die mit der Zeit zunehmende Vorhersageunsicherheit.“
Idealerweise sollte eine Leserin oder ein Leser beim Blick auf die Darstellung einschätzen können: „Es ist sehr wahrscheinlich / wahrscheinlich / 50:50 / eher unwahrscheinlich / sehr unwahrscheinlich, dass mein Haus (zum Beispiel) stark beschädigt wird.“
Noch besser: „Es gibt nach aktuellem Stand der Modelle eine Chance von 30–40 %, dass mein Haus stark beschädigt wird.“
Daraus ergibt sich eine Hierarchie dessen, was unsere Visualisierung leisten soll:
- Mindestens soll sie auf mögliche Routen des Hurrikans aufmerksam machen.
- Dann sollte sie eine qualitative Einschätzung erlauben, ob ein Standort sehr wahrscheinlich, wahrscheinlich, unwahrscheinlich oder sehr unwahrscheinlich betroffen ist.
- Im Idealfall lässt sich die Wahrscheinlichkeit (oder ein Bereich) quantitativ ablesen, dass ein Standort in der Zugbahn liegt.
Zusätzlich dürfen die Visualisierungen weder irreführend sein noch leicht missverstanden werden.
Unsicherheitskegel vs. Spaghetti-Plots
Alle drei Methoden erfüllen die Minimalanforderung: Sie zeigen mögliche Routen auf. Der Unsicherheitskegel eignet sich relativ gut, um abzuschätzen, wie wahrscheinlich es ist, dass der Hurrikan einen bestimmten Ort trifft (innerhalb des Kegels etwa zwei Drittel). Qualitativ leisten das auch Typ-II-Spaghetti-Plots: „Führen mehr Trajektorien durch Ort A als durch Ort B, ist es im aktuellen Modell wahrscheinlicher, dass das Zentrum Ort A trifft.“
Bei 50 Trajektorien entsteht ein gutes Gefühl für die wahrscheinliche Lage des Zentrums – verlaufen etwa die Hälfte durch einen Ort, liegt die modellbasierte Wahrscheinlichkeit bei rund 50 %, dass das Zentrum dort vorbeizieht. Keine der Methoden erfüllt bislang die dritte Anforderung. Unten zeigen wir, wie eine Kombination aus Typ I und Typ II das ermöglicht.
Das Hauptproblem: Der Unsicherheitskegel wird leicht fehlinterpretiert (viele halten den breiter werdenden Kegel fälschlich für einen wachsenden Sturm und unterschätzen die Rolle der Unsicherheit). Typ-I-Spaghetti-Plots sind irreführend, weil sie alle Modelle gleich plausibel erscheinen lassen. Damit verfehlen beide die Grundanforderung, „weder irrezuführen noch leicht missverstanden zu werden“.
Best Practices für die Visualisierung von Hurrikanprognosen
Typ-II-Spaghetti-Plots beschreiben die Lage am differenziertesten und bieten am wenigsten Raum für Missverständnisse. Aber sie zeigen keine Modell-übergreifende Sicht wie Typ I.
Was wäre, wenn wir Typ I und Typ II kombinieren?
Dafür habe ich ein kleines Experiment mit python, folium und numpy gemacht. Den gesamten Code findest du hier.
Ich habe eine der NHC-Prognoserouten zu Hurrikan Irma aus der Vorwoche genommen, etwas Zufallsrauschen hinzugefügt und 50 Trajektorien geplottet. Zur Erinnerung: Ich bin kein Meteorologie-Profi. Das von mir erzeugte Rauschen basiert nicht auf echten Modellen – in der Praxis käme es aus den Modellen selbst (ich habe Gaußsches Rauschen verwendet). Außerdem war es nicht leicht, verlässliche Daten zu den in den Medien gezeigten Prognosepfaden zu finden. Genutzt habe ich schließlich Daten von dieser Quelle.
Hier ein einfacher Typ-II-Spaghetti-Plot mit 50 Trajektorien:
Das sind mögliche Trajektorien eines Modells. Was, wenn wir mehrere Modelle verschiedener Institutionen hätten? Dann plotten wir von jedem 50 Trajektorien:
Einer der großen Vorteile von Typ II: Zeichnen wir genug Trajektorien, verschwimmen die Einzelpfade und es entsteht eine Heatmap der wahrscheinlichsten Lage des Sturmzentrums. Heißt: Je mehr Blau in einer Region, desto wahrscheinlicher verläuft dort der Pfad. Zoom rein und schau es dir an.
Wenn wir zudem annehmen, dass ein Modell verlässlicher ist als ein anderes (z. B. weil dessen Autorenteam in der Vergangenheit deutlich präzisere Vorhersagen lieferte), können wir diese Modelle gewichten – etwa über die Transparenz der Linien, wie unten gezeigt. Die Gewichtung ist Expertinnen- und Expertenarbeit und zentral für aggregierte Modellierung.
Damit erfüllen wir die ersten beiden Anforderungen an unsere Visualisierung. Für die dritte – dass Lesende ablesen können, ob es z. B. zu 30–40 % wahrscheinlich ist, dass das Zentrum eines Hurrikans einen bestimmten Ort passiert – gibt es zwei Ansätze:
- Die Heatmap farblich kalibrieren, etwa von Blau nach Rot, und eine Legende ergänzen („Rot = Wahrscheinlichkeit > 90 %“).
- Die Heatmap in eine Konturenkarte überführen, die Bereiche gleicher Wahrscheinlichkeit ausweist.
Wichtig: Das beschreibt die Wahrscheinlichkeit, dass das Zentrum einen Ort trifft. Kombiniert man diese Information mit der Ausdehnung des Sturms, lässt sich daraus eine Karte der Wahrscheinlichkeit ableiten, an einem Ort Hurrikanstärke-Winde zu erleben. Wenn du das ausprobieren willst, schnapp dir den Code, mit dem ich die obigen Plots erzeugt habe (ein Follow-up mit Schritt-für-Schritt-Erklärung ist geplant).
Unsicherheit visualisieren und Datenjournalismus
Was nehmen wir mit? Wir haben verschiedene Methoden zur Visualisierung vorhergesagter Hurrikanrouten betrachtet, ihre Vor- und Nachteile diskutiert und einen Weg skizziert, wie Plots informativer und weniger irreführend werden – indem sie nicht nur Ergebnisse, sondern auch die Unsicherheit der Modelle vermitteln.
Das ist Teil einer größeren Debatte darüber, wie wir Unsicherheit in Visualisierungen und im Datenjournalismus insgesamt darstellen. Wir sollten aktiv mitgestalten, wie Fachleute Unsicherheit über Medien an die Öffentlichkeit kommunizieren. Ein gutes Beispiel aus The Upshot zeigt, wie das Jobbericht-Bild durch statistisches Rauschen schwanken kann, selbst wenn die Lage stabil ist. Ein weiterer Upshot-Beitrag illustriert die Rolle von Zufall und Unsicherheit bei der Interpretation von Umfragen. Headlines müssen Aufmerksamkeit erzeugen, klar – und Clickbait ist Teil der heutigen Medienrealität. Trotzdem sollten wir nicht nur Ergebnisse, sondern auch deren Unsicherheit kommunizieren, um die Öffentlichkeit – und uns selbst – nicht in die Irre zu führen. Mindestens ebenso wichtig: Bildungssysteme müssen Menschen mit ausreichender Daten- und Statistikkompetenz ausstatten, um in einem datengetriebenen Zeitalter souverän zu handeln. Daran können wir alle mitarbeiten.