Was, wenn wir das Wetter für den ganzen nächsten Monat vorhersagen könnten – und das mit erstaunlicher Genauigkeit?
Ein Quantensprung für Wettervorhersagen
Traditionelle Wettermodelle stoßen an eine klare Grenze: Mehr als 14 Tage im Voraus sind verlässliche Prognosen kaum möglich. Doch Forschende der University of Washington rund um Trent Vonich zeigen nun, dass KI diesen Zeithorizont massiv erweitern könnte. Ihr Werkzeug: das von Deepmind entwickelte Modell Graphcast.
Graphcast soll in der Lage sein, das Wetter über mehr als 30 Tage hinweg vorherzusagen. Möglich wird das durch eine clevere Kombination aus verbesserten Startbedingungen – sogenannten Reanalyse-Daten – und maschinellem Lernen. Die Forschenden konnten damit die Prognosegenauigkeit für zehn Tage um 86 Prozent steigern. Das Modell zeigte auch bei 33-Tage-Vorhersagen vielversprechende Ergebnisse.
Rückblick auf die Anfänge: Von Handrechnungen zur Datenflut
Bereits vor über 100 Jahren hatte der Brite Lewis Fry Richardson die Vision, Wetter mithilfe physikalischer Gesetze vorherzusagen – lange bevor es Rechner gab, die seine Gleichungen effizient lösen konnten. Seine Arbeit markierte den Beginn einer wissenschaftlichen Herangehensweise an Wetterprognosen. Bis heute beruhen klassische Modelle auf physikalischen Gleichungen, die Wetterprozesse in einem Rechenraster simulieren.
Doch genau diese Physik bringt auch Probleme mit sich: Wolken etwa sind kleiner als viele Rasterzellen und müssen daher nur „modellhaft“ berücksichtigt werden – das drückt auf die Genauigkeit.
KI: Chance oder Risiko für die Wetterforschung?
Künstliche Intelligenz geht einen anderen Weg. Anstatt Prozesse physikalisch zu modellieren, lernt sie direkt aus historischen Wetterdaten. Das macht die Berechnung deutlich schneller – birgt aber auch Risiken: KI-Modelle können physikalisch unrealistische Ergebnisse liefern.
Erste Erfolge gab es dennoch: Google präsentierte 2019 ein KI-Nowcast für kurzfristige Regenprognosen. Huawei folgte 2023 mit „Pangu-Weather“, einem Transformer-Modell, das weltweit Wetter für sieben Tage berechnet – 10.000 Mal schneller als klassische Systeme.
Graphcast setzt nun noch einen drauf: Mit verbessertem Input kann es Prognosen für einen Monat liefern, die deutlich präziser sind als bisherige Ansätze. Der Haken? Ob das auch bei realen Wetterlagen funktioniert, bleibt abzuwarten. Denn KI hat ihre Stärken vor allem bei bekannten Mustern – extreme Wetterereignisse oder unbekannte Situationen stellen sie weiterhin vor Herausforderungen.