Googles neuestes KI-Wettermodell gibt Ihnen keine Ausrede mehr, Ihren Regenschirm zu vergessen

Google DeepMind und Google Research haben ein neues, KI-gestütztes Wettervorhersagemodell vorgestellt, das klarere Einblicke in atmosphärische Veränderungen bietet und häufigere, zuverlässigere Vorhersagen ermöglicht.

WeatherNext 3 stellt einen bedeutenden Sprung in der Meteorologie dar, der durch Deep Learning vorangetrieben wird. Google plant, dieses Modell in Search, Google Maps und Gemini zu integrieren und es Forschern sowie Nutzern über seine Cloud-Plattformen zugänglich zu machen.

„Dies markiert das erste Mal, dass Kernvariablen direkt eine breite Palette von Google-Produkten antreiben“, sagte Samier Merchant, Senior Staff Engineer bei Google, in einem Interview mit TechCrunch.

Getestet auf Operational WeatherBench – einem Benchmark, der vom Startup Brightband erstellt wurde, um KI-Vorhersagen zu vergleichen – hat WeatherNext 3 eine überlegene Genauigkeit in Schlüsselkennzahlen wie Temperatur, Windgeschwindigkeit und Luftfeuchtigkeit gezeigt.

Es übertrifft andere Deep-Learning-Modelle von Google, Microsoft, Nvidia und dem Europäischen Zentrum für mittelfristige Wettervorhersage (ECMWF) sowie traditionelle Vorhersagen des US National Weather Service und des ECMWF.

Image Credits:Brightband / Brightband

Traditionelle Wettervorhersagen stützen sich auf Supercomputer der Regierung, die komplexe physikalische Gleichungen lösen. Obwohl diese Systeme genau sind, sind sie kostspielig und langsam. Seit 2018, als das ECMWF jahrzehntelange historische Daten veröffentlichte, nutzen Forscher Deep Learning, um schnellere Modelle mit vergleichbarer Genauigkeit zu erstellen.

„Wetter ist chaotisch; kleine Unterschiede können zu massiven Störungen führen“, erklärte Ferran Alet, Manager für Forschungsingenieurwesen bei DeepMind. „Maschinelles Lernen adressiert die Kernherausforderung: die Approximation verrauschter Physik unter Verwendung unvollständiger Informationen und begrenzter Rechenleistung, wodurch es Muster aus großen Datensätzen lernen kann.“

Vorherige KI-Vorhersagemodelle hatten wesentliche Einschränkungen: Sie deckten breite Gebiete (15–25 Quadratkilometer) mit begrenztem praktischen Nutzen ab, hatten Schwierigkeiten bei der Regenvorhersage und stützten sich auf vorverarbeitete Regierungsdaten.

WeatherNext 3 adressiert diese Probleme. Es bietet eine Auflösung von 5 km, verbessert die Genauigkeit der Regenvorhersage im Vergleich zu WeatherNext 2 um 60 % und erstellt stündliche Vorhersagen anstelle der Standardintervalle von sechs Stunden.

Image Credits:Google / Google

Diese Verbesserungen stammen aus spezifischen Designentscheidungen. WeatherNext 3 hat 2,4-mal mehr Parameter als sein Vorgänger, mit Decoder-Köpfen, die darauf ausgelegt sind, handlungsorientiertere Einblicke zu liefern. Im Gegensatz zu Standardvorhersagen, die Daten über 3D-Gitter mitteln, kann DeepMinds Modell spezifische Ereignisse wie Zyklonpfade visualisieren.

Darüber hinaus wird das Modell darauf trainiert, Daten für bestimmte Wetterstationen vorherzusagen. Dies erhöht die Granularität der Vorhersage und ermöglicht die Bewertung anhand von Bodenwahrheitsdaten.

„Das Ziel bei vielen KI-Anwendungen ist es, Aufgaben von Anfang bis Ende auszuführen“, sagte Daniel Rothenberg, ein Atmosphärenwissenschaftler bei Brightband. „Indem wir spezifische Stationsdaten vorhersagen, wie die stündlichen Bedingungen am Flughafen von Denver, verbinden wir die Vorhersage enger mit dem praktischen Nutzen in der realen Welt.“

Die erhöhte Häufigkeit des Modells wird ermöglicht, indem stündlich Echtzeit-Satellitendaten verarbeitet werden. Die Verwendung roher empirischer Beobachtungen anstelle von Supercomputer-generierten Analysen verbessert die Genauigkeit, obwohl die Verarbeitung unformatierter Daten technisch weiterhin herausfordernd bleibt.

Google behauptet, WeatherNext 3 sei das erste KI-Modell, das rohe Beobachtungen für hochauflösende globale Vorhersagen integriert. Das KI-Startup WindBorne gibt jedoch an, dass sein WeatherMesh 6-Modell seit Ende 2025 Rohdaten von Wetterballons nutzt. Google merkt an, dass seine Vorhersagen eine höhere globale Auflösung bieten. Beide Modelle stützen sich weiterhin auf nationale Datensätze, was darauf hindeutet, dass weitere Arbeiten für eine echte direkte Datenassimilation erforderlich sind.

Während Large Language Models die Schlagzeilen dominieren, ist die Transformer-Revolution in der Meteorologie ebenso transformativ. Wetterbehörden in Europa und den USA nutzen bereits KI in ihren Vorhersagen, was Geschwindigkeits- und Kostenvorteile bietet, die genaue Vorhersagen für ärmere Regionen zugänglich machen könnten.

Bill Gates hat vor kurzem die KI-gestützte Wettervorhersage als einen der wichtigsten Vorteile hervorgehoben und auf ihr Potenzial hingewiesen, die Ernteerträge in Entwicklungsländern zu verbessern. Ferran Alet fügte hinzu, dass hochauflösendere Vorhersagen von Wind, Regen und Bewölkung dazu beitragen werden, Projekte für erneuerbare Energien zuverlässiger zu machen.

„Letztendlich zielt Google darauf ab, Nutzern nützliche Informationen bereitzustellen, und Wetter ist ein zentraler Bestandteil dessen“, schloss Alet.