Im August 2026 veröffentlichte Google DeepMind eine Studie in Nature: KI-gestützte Vorhersagen tropischer Wirbelstürme sind präziser als klassische numerische Modelle. Die Zahlen sind eindeutig: Die 3-Tage-Vorhersagegenauigkeit von WeatherNext entspricht der Genauigkeit bisheriger Methoden nach 2 Tagen. Meteorologen gewinnen damit effektiv 24 Stunden Vorwarnzeit.
Dieser Fortschritt ist erheblich. DeepMind schätzt, dass dies der Entwicklung eines ganzen Jahrzehnts in der Meteorologie entspricht. In den letzten 50 Jahren haben tropische Wirbelstürme weltweit über 700.000 Menschenleben gefordert und einen wirtschaftlichen Schaden von 1,4 Billionen US-Dollar verursacht. Ob Taifun, Hurrikan oder Zyklon – die Bezeichnungen variieren, beschreiben jedoch dasselbe Phänomen: gewaltige, rotierende Stürme, die über dem Ozean entstehen und auf das Festland treffen. Jede zusätzliche Stunde Vorwarnzeit ermöglicht die rechtzeitige Evakuierung weiterer Menschen.
Abbildung: Schematische Darstellung der von WeatherNext vorhergesagten Zugbahn und Intensität eines Hurrikans. Konzentrische Kreise zeigen verschiedene Windstärkebereiche. Quelle: deepmind.google
Traditionelle Vorhersage: Physikunterricht auf dem Supercomputer
Um die Innovation einzuschätzen, lohnt ein Blick auf das klassische Verfahren: Seit über einem Jahrhundert basiert die Wettervorhersage auf der Berechnung physikalischer Gleichungen auf Supercomputern. Die Erdatmosphäre wird in ein dichtes dreidimensionales Gitter unterteilt, um Temperatur, Luftdruck und Windgeschwindigkeit für jeden Gitterpunkt basierend auf Newtonscher Mechanik und Thermodynamik Schritt für Schritt zu berechnen.
Dieses Verfahren ist langsam und extrem rechenintensiv. Globale Modelle arbeiten mit grober Gitterauflösung, da ein einzelner Vorhersagelauf nationale Supercomputer stark auslastet. Eine Erhöhung der Auflösung zur detaillierten Erfassung von Wirbelstürmen lässt die Rechenkosten exponentiell steigen. Zudem entsteht ein Dilemma: Die Zugbahn eines Taifuns wird durch großräumige Zirkulationen über tausende Kilometer bestimmt – ideal für globale Modelle mit grobem Gitter. Die Intensität hängt jedoch von feingliedrigen thermodynamischen Prozessen nahe dem Auge ab, was hochauflösende Modelle erfordert. Die klassische Vorhersage musste stets Kompromisse zwischen beiden Ansätzen eingehen.
KI-Vorhersage: Ein erfahrenes Modell lernt aus 40 Jahren Wetterdaten
WeatherNext beschreitet einen anderen Weg. Anstatt physikalische Gleichungen direkt zu lösen, lernt das Modell empirische Muster aus historischen Daten. Der Trainingsdatensatz umfasst knapp 20 TB globaler Reanalysedaten sowie die vollständigen Aufzeichnungen von fast 5.000 historischen Stürmen aus der internationalen Datenbank IBTrACS. Die KI hat somit das globale Wetter der letzten 40 Jahre analysiert und die Gesetzmäßigkeiten von Entstehung, Richtungswechseln und schlagartiger Intensivierung in ihren Modellparametern gespeichert.
Für eine Vorhersage werden dem Modell die aktuellen Wetterdaten übergeben; in weniger als einer Minute liefert es eine Prognose für die nächsten 15 Tage. Ein Vergleich aus der Praxis: Während die traditionelle Methode bei jedem Vorhersagelauf die physikalischen Grundgleichungen von Grund auf durchrechnet, hat die KI 40 Jahre Wetterentwicklung verinnerlicht und erkennt Muster unmittelbar.
Abbildung: Vergleich der Fehler bei Zugbahn, Intensität und Windradius über einen Vorhersagezeitraum von 5 Tagen. Die blaue Linie repräsentiert WeatherNext mit dem geringsten Gesamtfahrfehler und verdeutlicht einen Genauigkeitsvorsprung von etwa 1 Tag. Quelle: deepmind.google
Der Durchbruch in drei Zahlen
Ein Tag Gewinn. Die Präzision der 3-Tage-Prognose zieht mit dem bisherigen 2-Tage-Standard gleich. Das verschiebt die Vorwarnzeit um 24 Stunden nach vorne. Für Küstenbewohner bedeuten diese 24 Stunden wertvolle Zeit zum Sichern von Gebäudeöffnungen, Packen von Vorräten und Evakuieren; für Meteorologen bietet es eine verlässlichere Grundlage für Höchstwarnstufen.
Geringere Fehlerquote. Im Dreijahresmittel von 2023 bis 2025 lag der Zugbahnfehler der 3-Tage-Vorhersage um rund 100 Kilometer unter dem Ensemble-Modell des Europäischen Zentrums für mittelfristige Wettervorhersage (ECMWF). Der Intensitätsfehler war um etwa 11 Knoten (~20 km/h) geringer als bei spezialisierten Hurrikan-Modellen. In der Praxis entscheidet eine Abweichung des Landfall-Punkts um 100 Kilometer darüber, welche Stadt überflutet wird; 11 Knoten Unterschied entscheiden über die Standfestigkeit von Gebäudestrukturen.
Abbildung: Jährlicher Fehlervergleich der 3-Tage-Vorhersage von 2023 bis 2025. Blau zeigt WeatherNext mit ca. 100 km geringerem Zugbahnfehler und ca. 11 Knoten geringerem Intensitätsfehler. Quelle: deepmind.google
Breitere Ensembles. Während traditionelle operative Modelle meist nur einige Dutzend Szenarien berechnen, erweiterte WeatherNext die Ensemble-Größe auf 1.000 Mitglieder. Dies deckt seltene, aber verheerende Szenarien wie eine schlagartige Intensivierung (Rapid Intensification) ab. Solche plötzlichen Verstärkungen gehören zu den schwierigsten Aufgaben der Meteorologie. Beim Hurrikan Melissa im Jahr 2025 wurde die rasche Intensivierung vor dem Landfall in Jamaika frühzeitig prognostiziert, woraufhin das US National Hurricane Center rechtzeitig Warnungen herausgab.
Überraschend für die Wissenschaftler: WeatherNext benötigt lediglich Daten mit einer Auflösung von 28×28 Kilometern – 100-mal grober als klassische Hochleistungsmodelle. Warum eine so grobe Auflösung bessere Ergebnisse liefert, bezeichnen die Autoren in ihrer Mitteilung offen als ungelöste Frage. Wenn eine geringere Auflösung ausreicht, sinken die Anforderungen an die Rechenleistung drastisch, sodass auch Wetterdienste kleinerer Länder mit begrenztem Budget Spitzenvorhersagen nutzen können.
Grenzen und Herausforderungen
In Fachforen werden auch kritische Stimmen laut. Auf Hacker News erzielte die Meldung über 300 Punkte und zahlreiche Kommentare. Ein zentraler Diskussionspunkt betrifft das mögliche Defizit an extremen Wetterereignissen in den Trainingsdaten. 5.000 Stürme klingen viel, doch tropische Wirbelstürme weisen eine Heavy-Tail-Verteilung auf – ein Ereignis, das nur einmal im Jahrhundert auftritt, ist in 40 Jahren Trainingsdaten möglicherweise nicht enthalten. Skeptiker befürchten, dass die KI bei unbekannten Extremlagen fehlerhafte Prognosen mit hoher Überzeugung liefert; Befürworter halten dagegen, dass auch klassische physikalische Modelle bei Extremereignissen an Grenzen stoßen und die KI durch 1.000 Ensemble-Läufe Unsicherheiten transparent aufzeigt.
Ein weiteres Hindernis ist die mangelnde Erklärbarkeit (XAI). Warum das Modell bei 28 km Auflösung derart präzise arbeitet, können die Autoren selbst nicht vollständig begründen. Während Meteorologen Vorhersagen auf physikalischen Gesetzmäßigkeiten aufbauen, liefert ein rein datengetriebenes Modell keine solche Kausalitätserklärung. Derzeit wird WeatherNext in der Praxis parallel zu traditionellen Systemen als Referenz eingesetzt. DeepMind betont, dass die finale Entscheidung weiterhin bei menschlichen Meteorologen liegt. Um den Einsatz zu fördern, wurden Code und Modellgewichte vollständig quelloffen zur Verfügung gestellt – inklusive einer Leichtgewicht-Version (111 km Auflösung), die auf einer einzelnen TPU oder in einem kostenlosen Colab-Notebook läuft.
Fazit
Betrachtet man die Ergebnisse, sticht der Gewinn von 24 Stunden heraus. Bei heranziehenden Wirbelstürmen verschafft ein zusätzlicher Tag Vorwarnzeit den Bewohnern an den Küsten die entscheidende Zeit, Schiffe zu sichern und Evakuierungen geordnet durchzuführen.
Die meteorologische Praxis erlebt durch KI eine stille Transformation. Das Ziel bleibt pragmatisch: den Menschen früher mitzuteilen, wenn ein Sturm aufzieht. Wie sich KI bei bisher ungesehenen Extremwetterlagen verhält, muss die Zukunft zeigen. Das Zusammenwirken von menschlicher Expertise und KI bietet derzeit die verlässlichste Grundlage.
Weiterführende Links:
- Google DeepMind: WeatherNext Durchbruch bei der Hurrikanvorhersage
- HN Diskussion (item?id=49220126)
