Wissenschaft kompakt

Zwischen Physik und Künstlicher Intelligenz ? Wie KI die
Wettervorhersage verändert


Vor einigen Jahren widmete sich das Thema des Tages der Frage, ob
Künstliche Intelligenz die Wettervorhersage revolutionieren könnte.
Damals standen vor allem neuartige KI-basierte Wettermodelle wie
GraphCast oder Pangu-Weather im Mittelpunkt. Heute zeigt sich: Die
Revolution findet derzeit tatsächlich statt, allerdings etwas anders
als zunächst vermutet.


KI-basierte Vorhersagemodelle sorgten damals für Schlagzeilen wie
?GraphCast: Google-KI sagt Wetter besser vorher als aktuelle
Modelle?. Im Gegensatz zu klassischen physikalischen Wettermodellen,
die den zukünftigen Zustand der Atmosphäre aus Beobachtungen,
Datenassimilation und der numerischen Lösung physikalischer
Gleichungen berechnen, lernen KI-Modelle atmosphärische Entwicklungen
aus großen Mengen historischer Wetterdaten. Mithilfe neuronaler
Netzwerke erkennen sie typische Muster und Zusammenhänge, die
anschließend für neue Vorhersagen genutzt werden können.


Modelle wie GraphCast oder Pangu-Weather haben erstmals gezeigt, dass
neuronale Netze in vielen Bereichen mit klassischen numerischen
Wettermodellen konkurrieren können. Damals lautete die zentrale
Frage: ?Wird Künstliche Intelligenz die Wettervorhersage
revolutionieren?? Heute lässt sich diese Frage differenzierter
beantworten. KI verändert die Wettervorhersage zwar grundlegend,
jedoch nicht durch den Ersatz klassischer Modelle, sondern durch ihre
Integration in die gesamte Vorhersagekette.


Inzwischen wurden zahlreiche weitere globale KI-Modelle entwickelt,
darunter das AIFS des Europäischen Zentrums für mittelfristige
Wettervorhersage (ECMWF), das operationell eingesetzt wird. Ein
großer Vorteil von KI-Modellen gegenüber klassischen numerischen
Modellen ist ihre hohe Geschwindigkeit. So benötigt die Berechnung
einer Vorhersage nur einen Bruchteil der Rechenleistung und kann
teilweise sogar auf handelsüblicher Hardware erfolgen.


Eine Herausforderung für die erste Generation von KI-Wettermodellen
war die Erstellung leistungsfähiger, um die Vorhersageunsicherheit
abschätzen zu können. Während klassische Wettermodelle bereits seit
Jahrzehnten Ensemblevorhersagen mit vielen leicht unterschiedlichen
Modellläufen erzeugen, standen solche Verfahren bei KI-Modellen
zunächst weniger im Fokus. Auch hier hat sich mittlerweile viel
getan. So können bei KI-basierten Wettermodellen beispielsweise
Ensembles erzeugt werden, indem mehrere leicht unterschiedliche
Anfangszustände der Atmosphäre in das Modell eingespeist werden.
Zusätzlich können stochastische Verfahren oder unterschiedliche
Modellvarianten genutzt werden, um die Unsicherheit der Prognose
abzubilden. Aus der Streuung der vielen Vorhersagen lässt sich
anschließend die Wahrscheinlichkeit verschiedener Wetterentwicklungen
ableiten. Die Grundidee entspricht damit der von klassischen
Ensembles, allerdings können die einzelnen Vorhersagen deutlich
schneller berechnet werden.


Auch der Deutsche Wetterdienst (DWD) arbeitet mit AICON an einem
eigenen KI-basierten Wettermodell, um die Möglichkeiten künstlicher
Intelligenz für die operationelle Wettervorhersage zu nutzen. Dabei
stehen insbesondere die Anforderungen europäischer Wetterlagen im
Mittelpunkt. AICON soll das bestehende ICON-System nicht ersetzen,
sondern es ergänzen. Bereits heute wird es als zusätzliches Werkzeug
zur Bewertung der Wetterentwicklung eingesetzt.


Mit einer Auflösung von derzeit etwa 13 km ist ICON jedoch noch zu
grob, um kleinräumige Prozesse wie einzelne Gewitter, lokale
Starkregenereignisse oder regionale Windsysteme detailliert
abzubilden. In der Kurzfristvorhersage bis etwa zwei Tage kommen
deshalb hochaufgelöste Regionalmodelle wie ICON-D2 mit einer
Gitterweite von rund zwei Kilometern zum Einsatz. Diese können
beispielsweise Gewitterzellen explizit berechnen und werden in einem
schnellen Aktualisierungszyklus stündlich neu gerechnet.


Eine wichtige zukünftige Herausforderung ist daher die Entwicklung
hochaufgelöster KI-basierter Wettermodelle für die konvektive Skala.
Von solchen Systemen erwartet man schnellere Vorhersagen mit höherer
Detailgenauigkeit und verbesserten Wahrscheinlichkeitsinformationen.
Dies ist insbesondere für die Vorhersage von Gewittern, Starkregen
und lokalen Windsystemen von Bedeutung.


Doch nicht nur die Wettervorhersage selbst profitiert von KI. Jede
Prognose beginnt mit einer Analyse des aktuellen Zustands der
Atmosphäre. Diese ist äußerst rechen- und zeitaufwendig, da
Milliarden von Beobachtungen verarbeitet werden müssen. KI-Ansätze
bieten hier neue Möglichkeiten: Sie ermöglichen eine effizientere
Nutzung heterogener Daten, beschleunigen Verarbeitungsprozesse und
helfen dabei, Beobachtungsfehler besser zu erkennen.


Einen wichtigen Meilenstein erreichte der DWD mit AI-VAR, einem der
weltweit ersten vollständig KI-basierten Verfahren zur
Datenassimilation. Dabei werden Beobachtungsdaten mithilfe eines
neuronalen Netzes direkt in einen Analysezustand der Atmosphäre
überführt. Dies eröffnet neue Möglichkeiten für sogenannte hybride
Modelle, bei denen KI-gestützte Analyseverfahren mit physikalischen
Wettermodellen kombiniert werden.


Auch im Bereich des Nowcastings, also der kurzfristigen Vorhersage
für die kommenden Minuten bis Stunden, findet KI zunehmend Anwendung.
Beispiele hierfür sind die Ableitung flächiger
Niederschlagsinformationen aus Satelliten- und Radardaten oder die
automatische Erkennung der Niederschlagsart ? beispielsweise Regen,
Schnee oder Hagel ? aus Radarbeobachtungen. Durch die Kombination
verschiedener Datenquellen kann KI dabei helfen, kurzfristige
Wetterentwicklungen noch präziser zu erfassen.


Trotz aller Fortschritte bleibt die Wettervorhersage aufgrund der
chaotischen Natur der Atmosphäre begrenzt. KI-Modelle müssen
physikalisch konsistent bleiben und können die grundlegende
Unsicherheit der atmosphärischen Entwicklung nicht aufheben.
KI-Ensemblevorhersagen wirken derzeit noch zu glatt und decken nicht
alle Vorhersagemöglichkeiten ab. Zudem lernt KI aus Daten vergangener
Wetterlagen. Die Prognose seltener Extremereignisse bereitet nach wie
vor Schwierigkeiten. Die Interpretation und Bewertung der Ergebnisse
durch Meteorologinnen und Meteorologen ist daher weiterhin ein
entscheidender Bestandteil der Vorhersage.


Die Entwicklung der vergangenen Jahre zeigt, dass künstliche
Intelligenz die klassische Wettervorhersage nicht ersetzt, sondern
ihre Möglichkeiten erweitert. Die Wettermodelle der Zukunft werden
die Stärken beider Ansätze vereinen: die physikalische Beschreibung
der Atmosphäre und die Fähigkeit der KI, komplexe Muster in großen
Datenmengen zu erkennen.


KI wird für Meteorologinnen und Meteorologen damit zu einem immer
leistungsfähigeren Werkzeug, das neue Möglichkeiten bei Analyse,
Prognose und Warnung eröffnet.

Dipl.-Met. Christian Herold

Deutscher Wetterdienst
Vorhersage- und Beratungszentrale
Offenbach, den 21.07.2026