KI in der Wettervorhersage - lars-hattwig.de
|

KI in der Wettervorhersage

Wettervorhersage war jahrzehntelang eine Domäne der Physik und der Supercomputer. Seit wenigen Jahren verändert künstliche Intelligenz dieses Feld grundlegend: Lernende Modelle berechnen globale Vorhersagen in Minuten statt Stunden, und in vielen Prüfgrößen schneiden sie inzwischen genauso gut oder besser ab als die klassischen Modelle. Der Europäische Wetterdienst ECMWF betreibt seit 2025 ein KI-Modell im Regelbetrieb (AIFS), der Deutsche Wetterdienst seit März 2026. Dieser Beitrag erläutert, wie die neuen Systeme funktionieren, welche Modelle die Entwicklung geprägt haben, wo ihre Stärken liegen und wo ihre Grenzen.

Wie klassische Wettermodelle arbeiten

Eine herkömmliche numerische Wettervorhersage beruht auf den physikalischen Gleichungen der Atmosphäre. Zunächst wird aus Millionen von Beobachtungen – Satellitendaten, Wetterstationen, Radiosonden, Flugzeug- und Schiffsmeldungen – in einem aufwendigen Verfahren, der Datenassimilation, ein möglichst realistischer Anfangszustand der Atmosphäre erzeugt. Laut ECMWF fließen dabei rund 60 Millionen qualitätsgeprüfte Beobachtungen in die Anfangsbedingungen ein. Anschließend rechnet das Modell diesen Zustand Schritt für Schritt in die Zukunft, indem es Strömung, Strahlung, Wolkenbildung und viele weitere Prozesse auf einem dreidimensionalen Gitter simuliert. Das physikalische Modell des ECMWF, das Integrated Forecasting System (IFS), arbeitet global mit einem Gitterabstand von 9 Kilometern, das Modell ICON des Deutschen Wetterdienstes verfolgt einen vergleichbaren Ansatz. Solche Rechnungen benötigen gewaltige Rechenleistung, und für Ensemblevorhersagen mit Dutzenden leicht veränderten Varianten vervielfacht sich der Aufwand.

Die Idee hinter KI-Wettermodellen

KI-Modelle gehen einen anderen Weg. Sie lösen keine physikalischen Gleichungen, sondern lernen aus Jahrzehnten vergangener Wetterzustände, wie sich die Atmosphäre typischerweise von einem Zeitpunkt zum nächsten entwickelt. Als Lehrmaterial dienen fast immer Reanalysen, allen voran ERA5 des ECMWF – ein konsistenter, mit einem physikalischen Modell erzeugter Datensatz des globalen Wetters seit 1940. Das trainierte Netz erhält den aktuellen Zustand der Atmosphäre und prognostiziert den Zustand einige Stunden später voraus; diese Vorhersage wird wieder eingespeist, bis der gewünschte Vorhersagezeitraum erreicht ist. Der Rechenaufwand für eine fertige Vorhersage ist dabei verschwindend gering im Vergleich zu einem physikalischen Modell, das Training selbst ist allerdings aufwendig.

 

Die Pioniere: FourCastNet, Pangu-Weather und GraphCast

Den Durchbruch markierten mehrere Modelle aus der Technologiebranche. NVIDIA stellte 2022 FourCastNet vor, ein Modell auf Basis sogenannter Fourier-Neural-Operatoren mit einer Auflösung von 0,25 Grad. Kurz darauf folgte Pangu-Weather des chinesischen Konzerns Huawei, das 2023 in der Fachzeitschrift Nature erschien. Es wurde mit 39 Jahren ERA5-Daten trainiert, übertraf in den getesteten Größen das operationelle IFS und war bei der Vorhersageberechnung nach Angaben der Autoren mehr als 10.000-mal schneller.

Besonders viel Aufmerksamkeit erhielt GraphCast von Google DeepMind. Das Modell arbeitet mit einem graphenbasierten neuronalen Netz auf einem über die Erdkugel gespannten Gitter. In der 2023 in Science veröffentlichten Studie war GraphCast bei 90 Prozent von 1.380 Prüfgrößen besser als das beste operationelle deterministische System. Damit war erstmals breit belegt, dass ein rein datengetriebenes Modell in der Mittelfrist mit der Physik mithalten kann.

Ensembles: GenCast und WeatherNext 2

Eine einzelne Vorhersage sagt wenig über ihre Unsicherheit aus. Deshalb rechnen Wetterdienste Ensembles, also viele Varianten mit leicht veränderten Startbedingungen. Google DeepMind übertrug das Prinzip mit GenCast auf KI, einem sogenannten Diffusionsmodell, wie es auch in der Bildgenerierung verwendet wird. In der im Dezember 2024 in Nature erschienenen Studie war GenCast bei 97,2 Prozent von 1.320 Kombinationen aus Größe und Vorlaufzeit genauer als das Ensemble des ECMWF, bei Vorlaufzeiten über 36 Stunden sogar bei 99,8 Prozent. Ein einzelnes 15-Tage-Ensemblemitglied benötigte laut Google acht Minuten auf einem Rechenchip vom Typ TPU v5, wobei alle Mitglieder parallel gerechnet werden können. Trainiert wurde mit Daten bis 2018, getestet am Jahr 2019.

Im November 2025 stellte Google mit WeatherNext 2 den Nachfolger vor. Er beruht auf einem neuen Ansatz namens Functional Generative Network, erzeugt nach Unternehmensangaben jedes Ensemblemitglied in weniger als einer Minute und übertrifft das Vorgängermodell bei 99,9 Prozent der Variablen und Vorlaufzeiten. Die Vorhersagen fließen inzwischen in Googles eigene Wetterdienste ein.

ECMWF: AIFS im operationellen Betrieb

Den entscheidenden Schritt in die offizielle Meteorologie machte das ECMWF. Am 25. Februar 2025 ging dort das Artificial Intelligence Forecasting System (AIFS) in den Regelbetrieb, als erstes vollständig operationelles, offenes KI-Wettermodell mit einem breiten Spektrum an Größen von Wind und Temperatur bis zur Niederschlagsart. Nach Angaben des ECMWF übertrifft AIFS physikalische Modelle bei vielen Maßen, etwa bei den Zugbahnen tropischer Wirbelstürme, mit Verbesserungen von bis zu 20 Prozent. Der Energieverbrauch pro Vorhersage sinkt um etwa den Faktor 1.000. Bemerkenswert ist, dass AIFS mit einem Gitterabstand von zunächst 28 Kilometern deutlich gröber rechnet als das IFS mit 9 Kilometern und trotzdem in der Mittelfrist häufig die besseren Werte erzielt.

Am 1. Juli 2025 folgte die Ensembleversion AIFS ENS mit 51 Mitgliedern. Sie schneidet laut ECMWF bei vielen Maßen besser ab als das physikalische Ensemble, etwa bei der bodennahen Temperatur mit Verbesserungen von bis zu 20 Prozent, und ist mehr als zehnmal schneller. Die Auflösung liegt mit 31 Kilometern allerdings unter der des physikalischen Ensembles mit 9 Kilometern, das das ECMWF für hochaufgelöste Felder und gekoppelte Erdsystemprozesse weiterhin als unverzichtbar bezeichnet. Wichtig ist auch: AIFS ersetzt das IFS nicht, sondern läuft parallel. Beide Modellwelten gelten beim ECMWF als komplementär, und Mischformen aus Physik und KI sind ein erklärtes Forschungsziel. Grundlage der Entwicklung ist das offene Software-Rahmenwerk Anemoi, das das ECMWF gemeinsam mit nationalen Wetterdiensten pflegt.

Microsoft Aurora: ein Grundlagenmodell für das Erdsystem

Microsoft verfolgt mit Aurora einen breiteren Ansatz. Das 2025 in Nature beschriebene Modell mit 1,3 Milliarden Parametern wurde mit mehr als einer Million Stunden unterschiedlichster geophysikalischer Daten vortrainiert und lässt sich anschließend für verschiedene Aufgaben feinjustieren – neben der Wettervorhersage etwa für Luftqualität, Meereswellen und Zugbahnen tropischer Wirbelstürme. Die Idee solcher Grundlagenmodelle ist, dass ein einmal erlerntes Verständnis der Atmosphäre auf viele Anwendungen übertragbar ist.

Nowcasting: KI für die nächsten Minuten und Stunden

Neben der Mittelfrist hat KI besonders bei der Kürzestfristvorhersage, dem Nowcasting, Fortschritte gebracht. Google DeepMind entwickelte gemeinsam mit dem britischen Met Office das Modell DGMR, das 2021 in Nature vorgestellt wurde. Es sagt auf Grundlage von Radarbildern den Niederschlag für die nächsten 5 bis 90 Minuten voraus. In einer Blindbewertung bevorzugten mehr als 50 erfahrene Meteorologinnen und Meteorologen die DGMR-Vorhersagen in 89 Prozent der Fälle gegenüber konkurrierenden Verfahren.

Noch weiter geht MetNet-3 von Google Research und Google DeepMind, das im November 2023 vorgestellt wurde. Es liefert Vorhersagen bis 24 Stunden im Voraus für Niederschlag, Temperatur, Wind und Taupunkt, mit einer räumlichen Auflösung von 1 bis 4 Kilometern und Zeitschritten von nur 2 Minuten. Das Besondere: MetNet-3 lernt direkt aus Beobachtungen wie Radar, Satelliten und Wetterstationen und verwendet standardmäßig keine Vorhersagen physikalischer Modelle als Eingabe. Nach Angaben von Google übertraf es die besten physikalischen Kurzfristmodelle für mehrere Regionen bis zu 24 Stunden im Voraus. Im operationellen Einsatz liefert das System Niederschlagsvorhersagen für zwölf Stunden in Googles Produkten, unter anderem für die USA und 27 europäische Länder.

Der Deutsche Wetterdienst und AICON

Auch der Deutsche Wetterdienst setzt inzwischen auf KI. Am 2. März 2026 nahm Bundesverkehrsminister Patrick Schnieder das globale KI-Modell AICON in Betrieb; bereits seit September 2025 lief es im technischen Probebetrieb. AICON rechnet mit 13 Kilometern Auflösung und liefert Vorhersagen im Dreistundentakt. Anders als die meisten KI-Modelle wurde es nicht mit ERA5 trainiert, sondern mit dem DWD-eigenen Datensatz ICON-DREAM, für den laut DWD 15 Jahre Wetter auf der ganzen Erde mit dem ICON-System analysiert wurden. Technisch handelt es sich um ein graphenbasiertes neuronales Netz, das auf dem dreieckigen Gitter des ICON-Modells aufbaut und im Rahmenwerk Anemoi entwickelt wurde.

Nach Angaben des DWD verbessert AICON insbesondere die Vorhersage von Temperatur, Wind und Niederschlag und liefert für bodennahe Größen in den ersten drei Tagen präzisere Vorhersagen als alle anderen getesteten KI-Modelle. Die Vorhersagen sind Teil der Grundlage für die amtlichen Wetterwarnungen und frei über den Open-Data-Server des DWD verfügbar. Die Entwickler verschweigen in ihrer Fachveröffentlichung aber auch die Schwächen nicht: AICON unterschätzt Extreme wie Starkwind und die Intensität tropischer Wirbelstürme, erzeugt glattere Felder als ICON, hat Probleme beim Bodendruck jenseits von etwa zwei Tagen und produziert bei langen Vorlaufzeiten an Küsten vereinzelt unrealistische punktuelle Niederschläge. AICON ergänzt daher das physikalische ICON, ersetzt es aber nicht. Für das weitere Training globaler und regionaler KI-Modelle hat das Bundesverkehrsministerium Mittel für einen neuen Hochleistungsrechner bereitgestellt, der ab 2027 genutzt werden soll.

KI in der Wettervorhersage - lars-hattwig.de
KI in der Wettervorhersage – Schaubild

Die Grenzen der KI-Vorhersage

So beeindruckend die Fortschritte sind, die Fachwelt diskutiert die Grenzen intensiv. Ein zentrales Problem ist die Glättung. Viele Modelle werden darauf trainiert, den mittleren quadratischen Fehler zu minimieren. Das belohnt Vorhersagen, die kleinräumige, schwer vorhersagbare Strukturen ausblenden und eher einem Mittelwert gleichen. Die Folge sind gute Durchschnittsscores, aber verwaschene Felder und abgeschwächte Spitzen. Der DWD hat bei AICON deshalb bewusst auf eine Trainingsmethode verzichtet, die diese Glättung verstärkt, und nimmt dafür etwas schlechtere Mittelwertscores in Kauf.

Eng damit verbunden ist die Frage der Extremereignisse. Eine Fallstudie zum Sturm Ciarán im November 2023 zeigte, dass die damals verfügbaren KI-Modelle die Zugbahn gut trafen, die Spitzenwinde aber deutlich unterschätzten: Sie lagen bei 25 bis 26 Metern pro Sekunde, während die Analyse des physikalischen Modells 34 Meter pro Sekunde zeigte.

Eine 2025 in den Proceedings of the National Academy of Sciences veröffentlichte Studie untersuchte, ob KI-Modelle Ereignisse vorhersagen können, die stärker sind als alles im Trainingsdatensatz. Ein Modell, das ohne Wirbelstürme der Kategorien 3 bis 5 trainiert wurde, konnte von schwächeren Stürmen nicht auf Kategorie-5-Stürme schließen. Im Klimawandel ist das kein theoretisches Problem: Rekordhitze wie im Juni 2026 liegt per Definition am Rand oder außerhalb dessen, was die Vergangenheit zeigt.

KI-Vorhersagen sind von klassischer Meteorologie abhängig

Ein weiterer Punkt ist die Abhängigkeit von der klassischen Meteorologie. KI-Modelle lernen aus Reanalysen, die ihrerseits mit physikalischen Modellen erzeugt wurden, und sie starten ihre Vorhersagen in aller Regel von Anfangszuständen, die die physikalische Datenassimilation liefert. Das gilt für AIFS ebenso wie für GenCast; Google selbst betont, dass traditionelle Modelle die Trainingsdaten und Anfangsbedingungen bereitstellen. Ohne die physikalische Infrastruktur gäbe es die KI-Modelle in ihrer heutigen Form also nicht. Hinzu kommt die physikalische Konsistenz: Ein neuronales Netz garantiert nicht automatisch, dass Energie und Masse erhalten bleiben oder dass Wind-, Druck- und Temperaturfelder zueinander passen. Schließlich sind viele Modelle noch grob aufgelöst und liefern nur einen Teil der Größen, die physikalische Modelle bereitstellen.

Ausblick: Physik und KI wachsen zusammen

Die Entwicklung deutet nicht auf eine Ablösung der Physik hin, sondern auf ein Zusammenwachsen. Das ECMWF erforscht Hybridsysteme, die die Stärken beider Ansätze verbinden, und der DWD versteht AICON ausdrücklich als Ergänzung zu ICON. Gleichzeitig zeigen Modelle wie MetNet-3, dass KI künftig auch Teile der Datenassimilation übernehmen und direkt aus Beobachtungen lernen könnte. Höhere Auflösungen, regionale KI-Modelle und riesige Ensembles mit Hunderten Mitgliedern dürften gerade bei der Abschätzung seltener Extremereignisse Fortschritte bringen, weil sie die Bandbreite möglicher Entwicklungen besser abbilden.

Der Mensch bleibt dabei unverzichtbar. DWD-Vizepräsidentin Renate Hagedorn formulierte es bei der Einführung von AICON so: „In kritischen Situationen bleibt die Beratung durch Menschen entscheidend.“ Die KI beschleunigt die Vorhersage, senkt den Energiebedarf drastisch und verbessert viele Standardprodukte. Ob sie aber auch bei den seltenen, folgenschweren Ereignissen verlässlich ist, auf die es beim Warnen am meisten ankommt, müssen die kommenden Jahre zeigen. Generell ist der „Human-in-the-Loop“ derzeit in den meisten KI-Anwendung noch notwendig, aber mit der Herausforderung, dass der Mensch auch an den richtigen Stellen korrigiert.

Quellen

  • ECMWF: ECMWF’s AI forecasts become operational (25.02.2025) (https://www.ecmwf.int/en/about/media-centre/news/2025/ecmwfs-ai-forecasts-become-operational)
  • ECMWF: ECMWF’s ensemble AI forecasts become operational (01.07.2025) (https://www.ecmwf.int/en/about/media-centre/news/2025/ecmwfs-ensemble-ai-forecasts-become-operational)
  • DWD: Bundesverkehrsminister startet KI-basierte Wettervorhersage des DWD (02.03.2026) (https://www.dwd.de/DE/presse/pressemitteilungen/DE/2026/20260302_pm_bmv_startet_aicon_news.html)
  • Göcke et al.: AICON – An operational global machine learning weather forecasting model (arXiv) (https://arxiv.org/abs/2608.24651)
  • Lam et al.: Learning skillful medium-range global weather forecasting (GraphCast), Science 2023 (https://www.science.org/doi/10.1126/science.adi2336)
  • Price et al.: Probabilistic weather forecasting with machine learning (GenCast), Nature 2024 (https://www.nature.com/articles/s41586-024-08252-9)
  • Google DeepMind: GenCast (Blog, 04.12.2024) (https://deepmind.google/blog/gencast-predicts-weather-and-the-risks-of-extreme-conditions-with-sota-accuracy/)
  • Google: WeatherNext 2 (17.11.2025) (https://blog.google/innovation-and-ai/models-and-research/google-deepmind/weathernext-2/)
  • Ravuri et al.: Skilful precipitation nowcasting using deep generative models of radar (DGMR), Nature 2021 (https://www.nature.com/articles/s41586-021-03854-z)
  • Google Research: MetNet-3 (01.11.2023) (https://research.google/blog/metnet-3-a-state-of-the-art-neural-weather-model-available-in-google-products/)
  • Bi et al.: Accurate medium-range global weather forecasting with 3D neural networks (Pangu-Weather), Nature 2023 (https://www.nature.com/articles/s41586-023-06185-3)
  • Pathak et al.: FourCastNet (arXiv 2022) (https://arxiv.org/abs/2202.11214)
  • Bodnar et al.: A foundation model for the Earth system (Aurora), Nature 2025 (https://www.nature.com/articles/s41586-025-09005-y)
  • Charlton-Perez et al.: Do AI models produce better weather forecasts than physics-based models? Storm Ciarán, npj Climate and Atmospheric Science 2024 (https://www.nature.com/articles/s41612-024-00638-w)
  • Sun et al.: Can AI weather models predict out-of-distribution gray swan tropical cyclones?, PNAS 2025 (https://www.pnas.org/doi/10.1073/pnas.2420914122)

 

 

 


google.com, pub-2556727855943197, DIRECT, f08c47fec0942fa0


Schreibe einen Kommentar