Wissenschaft kompakt

"WeatherNext3" ? Wie zuverlässig ist ein KI-Modell ohne explizite
Physik?



Das neue auf künstliche Intelligenz (KI) basierte
Wettervorhersagemodell von Google schlug in den vergangenen Tagen
teils große Wellen. Welche Verbesserungen gibt es und wo liegen die
Stärken und Schwächen im Vergleich zu numerischen
Wettervorhersagemodellen?


Das neue KI-Wettermodell WeatherNext3 wurde am 3. September 2026
vorgestellt. Es wird als großer und wichtiger Meilenstein im Bereich
der Wettervorhersage mit KI angesehen. Doch wo liegt der Unterschied
zu den bisherigen KI-Modellen?
Das neue Modell erzeugt im Gegensatz zu bisherigen KI-Modellen eine
stündliche Vorhersage. Zudem lernt das Modell direkt aus
Beobachtungen, wodurch es Informationen nutzen kann, die in
klassischen Analysesystemen erst verarbeitet werden müssen. Dies ist
besonders beim Niederschlag interessant, weil Radar- und
Satellitenbeobachtungen meist wesentlich näher an der tatsächlichen
Niederschlagsverteilung liegen als eine globale Analyse eines
numerischen Wettervorhersagemodells. Das führt zu großen Vorteilen
hinsichtlich der Geschwindigkeit der Berechnungen und der damit
verbundenen Aktualisierungsfrequenzen.
Trotz dieser Vorteile ergeben sich auch im neuen
Wettervorhersagemodell Schwachstellen. Bevor wir auf diese eingehen,
stellt sich zunächst die Frage nach den Unterschieden zu einem
herkömmlichen numerischen Wettervorhersagemodell.
Bei einem numerischen Wettervorhersagemodell werden die Beobachtungen
der verschiedenen meteorologischen Messinstrumente durch
Datenassimilation zu einem für das Modell geeigneten Anfangszustand
gebracht. Anschließend wird der zukünftige Zustand der Atmosphäre
mithilfe diskretisierter physikalischer Gleichungen berechnet.
KI-Modelle benutzen dagegen keine physikalischen Gleichungen zur
Berechnung des zukünftigen atmosphärischen Zustandes. Das Modell
lernt bestimmte Muster und Zustände aus einem großen
Trainingsdatensatz. Dabei wurden bei vielen der bisherigen KI-Modelle
als Grundlage überwiegend Reanalysen der numerischen
Wettervorhersagemodelle verwendet. Diese stellen bereits durch
Datenassimilation aufbereitete, räumlich und zeitlich konsistente
Felder der Atmosphäre dar. WeatherNext3 benutzt jedoch als
Anfangszustand zusätzlich Beobachtungsdaten von Satelliten und
Wetterstationen.
Dadurch ergeben sich neben den oben genannten Vorteilen aber auch
einige potenzielle Schwachpunkte.
WeatherNext3 benutzt als Anfangszustand Beobachtungsdaten. Direkte
Beobachtungsdaten enthalten Mess-, Repräsentativitäts-, Übertragungs-
und Kalibrierungsfehler. Während klassische Datenassimilation diese
Unsicherheiten explizit modelliert und gewichtet, muss ein neuronales
Modell den Umgang mit solchen Fehlerstrukturen implizit aus den
Trainingsdaten lernen. Besonders bei bisher unbekannten Sensorfehlern
kann dies zu systematischen Fehlern führen. Zudem stellt sich die
Frage, wie robust das Modell bei Datenausfall ist. Der Ausfall
einzelner Satellitenkanäle, Kalibrationsänderungen der
Messinstrumente oder die Einführung neuer Sensoren können die
Statistik der Eingabedaten verändern.
Neuronale Modelle lernen aus historischen Daten. Wenn die Atmosphäre
nun aber neue Zustände annimmt, die nicht bekannt sind, kann es zu
Fehlern kommen. Dies ist gerade im Hinblick auf den Klimawandel
interessant. Bei einer historischen Hitzewelle sind durch die höheren
Temperaturen auch andere meteorologische Variablen verändert. Dadurch
steigt beispielsweise auch die in einer Luftmasse enthaltende Feuchte
an - eine wichtige Variable zur Vorhersage von Starkniederschlägen.
Nun hat die KI aber gelernt, dass bei diesem bestimmten synoptischen
Muster, welches sie aus der Vergangenheit kennt, 50 l/qm innerhalb
von 6 Stunden fallen können. In der Realität kann dies dazu führen,
dass dieselbe großräumige Wetterlage deutlich stärkere Niederschläge
erzeugt. Dadurch kann das Modell anfangs in dieser Situation die
Starkregenfälle deutlich unterschätzen.
Gerade bei der Kombination aus neuartigen klimatischen Bedingungen
und ungewöhnlichen extremen Wetterereignissen steht die KI teils vor
größeren Problemen. Ein durchschnittliches Verifikationsmaß kann
diese gesellschaftlich besonders relevanten Ereignisse verschleiern.
Ein Modell kann nämlich im globalen Mittel einen sehr guten RMSE
(Root Mean Square Error) oder auch sehr gute Werte bei
probabilistischen Bewertungsmaßen erzielen und dennoch bei
Starkregen, rapider Intensivierung von Stürmen oder kleinräumiger
Konvektion deutlich schlechter abschneiden.
Zudem kann ein KI-Modell zwar einen Zustand erzeugen, der bei den
einzelnen meteorologischen Variablen als plausibel erscheint, aber in
ihrer Kombination physikalisch nicht vollständig konsistent ist.
Diese Inkonsistenz kann sich mit zunehmender Vorhersagezeit
fortpflanzen. Dadurch kann die Vorhersage eines KI-Modells bei kurzer
Vorhersagezeit trotz physikalischer Inkonsistenz noch eine höhere
Güte aufweisen, mit zunehmender Vorhersagezeit dann aber eine
schlechtere Vorhersage liefern.
Außerdem können räumliche Artefakte in den Prognosefeldern auftreten.
Diese Strukturen können durch die interne Modellgeometrie entstehen.
Dabei kann es vorkommen, dass die neuronale Architektur bestimmte
räumliche Skalen oder Symmetrien systematisch bevorzugt, glättet oder
verzerrt. Gerade wiederum bei der Vorhersage von kleinräumigen und
extremen Wetterereignissen kann dieser Fehler problematisch sein. So
können beispielsweise Fronten oder kleinräumige Niederschlagsmaxima
durch Glättungsprozesse abgeschwächt oder auch räumlich verschoben
werden.
Ein weiterer Unterschied liegt in der Interpretierbarkeit der
Vorhersage. Bei numerischen Modellen lassen sich Fehler häufig
bestimmten physikalischen Prozessen, Parametrisierungen oder
Anfangsbedingungen zuordnen. Bei KI-Modellen ist deutlich schwieriger
nachzuvollziehen, warum eine bestimmte Vorhersage entstanden ist.
Dies kann vor allem im operationellen Wetterdienst problematisch
sein, wenn Meteorologen die Plausibilität einer Prognose beurteilen
müssen.
KI-Wettermodelle sind insgesamt ein großer Fortschritt ? doch gerade
bei unbekannten Wetterregimen, seltenen Extremereignissen und sich
rasch veränderten klimatischen Bedingungen wird sich zeigen, wie
robust sie wirklich sind. Auch numerische Modelle enthalten Fehler in
der Datenassimilation, numerischen Diskretisierung und der
Parametrisierung physikalischer Prozesse. Der entscheidende
Unterschied liegt jedoch vielmehr darin, dass diese Fehlerquellen
expliziter beschrieben und physikalisch diagnostiziert werden können.
Somit ist das wahrscheinlichste Zukunftsszenario nicht die
vollständige Ablösung numerischer Wettervorhersagemodelle, sondern
ein hybrides System aus KI- und numerischen Wettervorhersagemodellen,
welches die Vorhersagegüte voraussichtlich insgesamt steigern wird.


M.Sc.-Met. Nico Bauer

Deutscher Wetterdienst
Vorhersage- und Beratungszentrale
Offenbach, den 06.09.2026

Copyright (c) Deutscher Wetterdienst