„Our model gives forecasters an extra day’s worth of predictive accuracy“ – dieser Satz stammt aus einem Forschungspapier, das in der Fachzeitschrift Nature veröffentlicht wurde. Die Autoren arbeiten bei Google DeepMind und Google Research, zusammen mit Meteorologen des National Hurricane Center, des Cooperative Institute for Research in the Atmosphere und des britischen Wetterdienstes Met Office. Sie beschreiben ein KI-Modell namens WeatherNext, das die Vorhersage von tropischen Wirbelstürmen – Hurrikanen, Taifunen oder Zyklonen – verbessert.
Das betrifft alle, die sich mit Wettervorhersagen, Klimawandel oder künstlicher Intelligenz beschäftigen. Es geht nicht um eine kleine Optimierung, sondern um einen Fortschritt, wie ihn Fachleute sonst nur alle zehn Jahre sehen. Dieser Artikel erläutert, was WeatherNext anders macht, warum ein zusätzlicher Tag Vorhersagezeit so wichtig ist und warum die Technologie jetzt offen zugänglich ist.
Warum Zyklonvorhersage so schwierig ist
Tropische Wirbelstürme zählen zu den zerstörerischsten Naturphänomenen. In den letzten 50 Jahren haben sie weltweit mehr als 700.000 Menschenleben gefordert und einen wirtschaftlichen Schaden von über 1,4 Billionen US-Dollar verursacht. Wer früh genug warnt, kann Leben retten – aber genau daran scheitert die Meteorologie seit Jahrzehnten.
Das Problem liegt in der Natur der Stürme: Ihre Zugbahn – wohin sie sich bewegen – wird von riesigen globalen Luftströmungen gesteuert. Diese Strömungen lassen sich mit groben, globalen Wettermodellen einigermaßen berechnen. Die Intensität eines Zyklons, also wie stark er wird, hängt dagegen von winzigen, lokalen Prozessen im Auge des Sturms ab. Dafür benötigt man hochauflösende, aber kleine Modelle. Bisher musste jede Vorhersage eine Wahl treffen: regional genau oder global grob – beides gleichzeitig schien unmöglich.
Stell dir vor, du planst eine längere Reise mit dem Auto. Du hast eine Straßenkarte für die gesamte Region und eine Detailkarte für die Innenstadt. Beide sind nützlich, aber du müsstest ständig wechseln und Informationen zusammenführen. WeatherNext nutzt eine einzige Karte, die beides abdeckt.
Die neue KI-Methode kombiniert globale Wetterdaten mit den Beobachtungen historischer Stürme. Das Modell lernt aus fast 20 Terabyte globaler Atmosphärendaten und der internationalen IBTrACS-Datenbank mit rund 5.000 historischen Wirbelstürmen. So erfasst es sowohl die großen Strömungen als auch die feinen lokalen Prozesse, die über Stärke oder Schwäche eines Sturms entscheiden.
Was WeatherNext leistet – und wie es funktioniert
WeatherNext ist ein generatives KI-Modell. Statt einer einzigen Vorhersage erzeugt es ein Ensemble aus vielen möglichen Szenarien. Das ist wichtig, weil Wetter immer mit Unsicherheit verbunden ist. Ein einziges Ergebnis wäre irreführend – aber tausend verschiedene Simulationen zeigen die Bandbreite dessen, was passieren könnte.
Die Forscher nennen diese Technik „Functional Generative Networks“. Sie ermöglicht es, innerhalb von weniger als einer Minute eine 15-Tage-Vorhersage auf einem TPU-Beschleuniger zu berechnen. TPUs sind Spezialchips, die für künstliche Intelligenz optimiert sind. Diese Geschwindigkeit ist entscheidend, denn Forecasters müssen schnell reagieren, wenn sich ein Sturm unerwartet intensiviert.
Ein überraschendes Ergebnis: WeatherNext arbeitet mit einer Auflösung von nur 28×28 Kilometern – rund 100-mal gröber als traditionelle Modelle. Trotzdem ist seine Genauigkeit bei Zugbahn, Intensität und Windstruktur besser als die aller bisherigen Systeme. Sogar eine abgespeckte Version, WeatherNext 2-mini, die mit 111×111 Kilometern Auflösung arbeitet, liefert gute Ergebnisse auf einem einzelnen TPU, etwa in einer öffentlichen Colab-Notebook-Umgebung.
Warum das möglich ist, wissen die Forscher selbst noch nicht vollständig. Sie vermuten, dass das Modell durch das Training auf großen Datenmengen Muster erkennt, die in groben Auflösungen verborgen bleiben. Das ist eine offene Forschungsfrage – genau deshalb veröffentlichen sie den Code, damit die Community helfen kann.
Ein Tag mehr Vorhersagezeit – der Durchbruch
Der entscheidende Wert von WeatherNext ist nicht Perfektion, sondern ein zeitlicher Vorsprung. Im Durchschnitt erreicht das Modell für einen Drei-Tage-Zeitraum die gleiche Genauigkeit, die bisherige Modelle erst für den zweiten Tag erreichen. Die Drei-Tage-Vorhersage von WeatherNext ist also so zuverlässig wie die Zwei-Tage-Vorhersage der besten bisherigen Systeme. Der Gewinn beträgt mehr als 24 Stunden.
Das klingt nach einer kleinen Zahl, ist in der Meteorologie aber bedeutend. In den letzten 20 Jahren hat sich die Genauigkeit von Zyklonvorhersagen langsam verbessert – ein großer Sprung etwa alle zehn Jahre. WeatherNext schafft diesen Sprung mit einem einzigen Modellwechsel.
Die Leistungsfähigkeit zeigt sich in konkreten Beispielen: Während der Hurrikansaison 2025 half das Modell dem National Hurricane Center, für Hurrikan Melissa eine historische Vorhersage zu treffen. Es erkannte die rapide Intensivierung des Sturms und seinen Landgang in Jamaika früher als herkömmliche Modelle. Die Behörde konnte eine Frühwarnung herausgeben, die den Menschen vor Ort wertvolle Zeit für Vorbereitungen verschaffte.
Um die Unsicherheit besser abzudecken, haben die Forscher die Ensemble-Größe von 50 auf 1.000 Simulationen pro Vorhersage erhöht. So lassen sich auch seltene, aber gefährliche Szenarien wie eine plötzliche Intensivierung zuverlässiger erfassen. Die Ergebnisse dieser Testläufe sind in Weather Lab sichtbar, einer öffentlichen Plattform, die jetzt auch globale Wettervorhersagen zeigt.
Open Source: Die Technologie gehört allen
Was nützt ein gutes Modell, wenn nur wenige es nutzen können? Google DeepMind und Google Research veröffentlichen deshalb sowohl den Code als auch die trainierten Gewichte der Modelle WeatherNext 2 und WeatherNext Cyclones. Jeder kann sie herunterladen, weiterentwickeln oder für eigene Zwecke anpassen – für akademische Forschung, operationelle Vorhersagedienste oder spezielle lokale Anwendungen.
Das ist ein wichtiger Punkt für die globale Wettergemeinschaft. Viele Länder, besonders Entwicklungsländer, haben nicht die Ressourcen, eigene hochauflösende Modelle zu entwickeln. Mit dem Open-Source-Angebot können auch kleinere Institutionen Zugang zu einer Technologie bekommen, die bisher großen Wetterdiensten vorbehalten war. Die Forscher betonen, dass sie die Zusammenarbeit mit Meteorologen und Behörden suchen, um die Modelle an lokale Gegebenheiten anzupassen.
Zusätzlich gibt es begleitende Ressourcen: eine kompakte Version für einzelne TPUs, ein öffentliches Colab-Notebook zum Ausprobieren und die aktualisierte Plattform Weather Lab, auf der man Live-Vorhersagen für Temperatur, Niederschlag, Wind und Zyklone visualisieren kann. All das ist Teil von Google Earth AI, das künstliche Intelligenz für Umweltanwendungen bündelt.
Die Open-Source-Veröffentlichung ist kein PR-Gag – sie hat ernsthafte Konsequenzen. Forscher weltweit können die Modelle unabhängig evaluieren, Verbesserungen vorschlagen oder sie in ihre eigenen Warnsysteme integrieren. Das könnte den Fortschritt in der Wettervorhersage deutlich beschleunigen, nicht nur bei Zyklonen, sondern auch bei anderen extremen Wetterereignissen.
Was das für die Zukunft bedeutet – und wo die Grenzen liegen
Der Durchbruch von WeatherNext zeigt, wie stark künstliche Intelligenz die Meteorologie verändern kann. Die Kombination aus globalen Daten, historischen Sturmbeobachtungen und generativen Netzen liefert Ergebnisse, die klassische Physikmodelle nicht erreichen. Dass eine grobe Auflösung ausreicht, widerspricht jahrzehntelangen Annahmen und öffnet die Tür für effizientere Rechenverfahren.
Dennoch wäre es falsch zu glauben, dass die KI den Menschen ersetzt. Die Autoren betonen ausdrücklich, dass die Vorhersagen von WeatherNext als Unterstützung für menschliche Forecasters gedacht sind – nicht als Ersatz. Die Entscheidung, ob und wie eine Evakuierung ausgelöst wird, bleibt bei den verantwortlichen Behörden. Deren Expertise und lokales Wissen sind unverzichtbar, um die KI-Ausgaben richtig zu interpretieren.
Ein Beispiel: WeatherNext liefert eine Wahrscheinlichkeitsverteilung für verschiedene Szenarien. Ein Forecaster muss einschätzen, welche Schwelle für Warnungen angemessen ist. Hier spielen politische, soziale und logistische Faktoren eine Rolle, die eine Maschine nicht bewerten kann. Die Partnerschaft zwischen KI und menschlicher Erfahrung ist der eigentliche Mehrwert.
Bis zur breiten Anwendung ist noch einiges zu tun. Die Modelle müssen weiter validiert werden, insbesondere in anderen Regionen und Klimazonen. Zudem ist die Frage der Auflösung ungeklärt. Forscher hoffen, dass die Community neue Erkenntnisse liefert, warum das Modell so gut funktioniert – vielleicht führt das zu noch besseren Ansätzen.
Für die Zukunft bedeutet das: Wettervorhersagen werden genauer und zugänglicher. Lokale Wetterdienste können auf modernste KI zugreifen, ohne eigene Supercomputer zu benötigen. Das könnte in Regionen mit begrenzten Warnmöglichkeiten Leben retten. Die nächsten Sturmsaisons zeigen, wie gut die Technologie in der Praxis funktioniert. Die Grundlage ist gelegt.
Quelle: deepmind.google
