Das KI-Wettermodell WeatherNext sagt die Zugbahn und die Stärke tropischer Wirbelstürme rund 24 Stunden früher zuverlässig vorher als die besten physikalischen Modelle. Google DeepMind veröffentlichte die Ergebnisse in Nature und gab zugleich die Modellgewichte frei. Für Rückversicherer und Netzbetreiber in Europa wiegt der zweite Punkt schwerer.
drweb.de als bevorzugte Quelle auf Google hinzufügenQualitätsgeprüfte Inhalte direkt in Google News & DiscoverJetzt hinzufügen
Ein KI-Wettermodell liefert inzwischen die Grundlage dafür, wann eine Vorwarnung herausgeht. Während der Hurrikansaison 2025 half WeatherNext dem National Hurricane Center dabei, die rasche Verstärkung von Hurrikan Melissa und den Landfall auf Jamaika vorherzusagen. Am 6. August 2026 folgte der Beleg in Nature.[2]
Das Wichtigste in Kürze
- WeatherNext gewinnt bei Zugbahn und Intensität im Schnitt mehr als 24 Stunden Vorlauf gegenüber den führenden Betriebsmodellen.
- Das Modell rechnet auf einem Gitter von 28 mal 28 Kilometern, rund hundertmal gröber als klassische Sturmmodelle.
- Eine Vorhersage über 15 Tage läuft in unter einer Minute auf einem TPU, deshalb produziert Google 1.000 Szenarien je Sturm statt 50.
- Code und Modellgewichte stehen offen zur Verfügung, die kompakte Variante WeatherNext 2-mini läuft in einem kostenlosen Colab-Notebook.
Wie viel Vorsprung bringt das KI-Wettermodell wirklich?
Mehr als einen vollen Tag Vorlauf weist Google DeepMind für Zugbahn, Intensität und Windfeld aus.[1] Geprüft wurde an Stürmen der Jahre 2023 und 2024, gegen die Bahnprognosen des ECMWF-Ensembles und gegen die Intensitätsprognosen des US-Modells HWRF. Tropische Wirbelstürme haben in den vergangenen 50 Jahren weltweit mehr als 700.000 Menschenleben gekostet und Schäden von rund 1,2 Billionen Euro verursacht.[1]
Ein Tag verschiebt den Zeitpunkt, zu dem Behörden Küstenabschnitte räumen und Betreiber ihre Anlagen herunterfahren. WeatherNext steht in einer Reihe mit GraphCast von 2023 und GenCast von Dezember 2024, beide ebenfalls von Google DeepMind. Damit reiht sich die Wettervorhersage in die KI-Anwendungen ein, die den Sprung aus der Forschung in den Alltagsbetrieb bereits geschafft haben.
Warum reicht eine grobe Auflösung plötzlich aus?
Feine Auflösung galt in der Meteorologie als der entscheidende Hebel für gute Intensitätsprognosen. WeatherNext Cyclones arbeitet mit 28 Kilometern Gitterweite und schlägt die feiner rechnenden Spezialmodelle trotzdem. Warum das gelingt, nennt das Forschungsteam selbst eine offene Frage.[1]
Der zweite Bruch betrifft die Kosten. Ein physikalisches Ensemble verschlingt Rechenzeit für jedes einzelne Mitglied, deshalb rechnen die Wetterdienste üblicherweise 50 Varianten. WeatherNext erzeugt 1.000 Szenarien, weil ein Durchgang unter einer Minute braucht. Aus der einen Zugbahn wird damit eine Wahrscheinlichkeitskarte, und genau die brauchen Versicherer für ihre Kalkulation. Munich Re bezifferte die weltweiten Schäden aus Naturkatastrophen im ersten Halbjahr 2026 auf rund 98 Milliarden Euro.
Drei Tage in der Güte von früher zwei Tagen
Die Dreitagesprognose von WeatherNext erreicht die Treffsicherheit, für die frühere Modelle nur zwei Tage im Voraus standen. Gemessen an der Entwicklung der letzten zwanzig Jahre entspricht der Sprung rund einem Jahrzehnt Fortschritt.
WeatherNext macht aus der einen Sturmprognose eine Preisliste für Risiko. Genau darin liegt der Wert für Versicherer und Netzbetreiber, nicht in der reinen Rechenleistung.
— Markus Seyfferth, Chefredakteur Dr. Web
Was heißt das für Europa?
Das ECMWF rechnet längst selbst mit KI. Das Europäische Zentrum für mittelfristige Wettervorhersage nahm das Modell AIFS Single am 25. Februar 2025 in den Betrieb,[3] das Ensemble AIFS ENS folgte am 1. Juli 2025.[4] Deutschland gehört zu den Mitgliedstaaten, der Deutsche Wetterdienst speist Beobachtungsdaten zu. Europa betreibt damit eigene Modelle derselben Bauart.
Wirbelstürme treffen Mitteleuropa nicht. Die Modellklasse dahinter liefert aber auch Wind und Niederschlag, und daran hängen die Erlöse im Stromhandel wie die Planung der Offshore-Windkraft. Für Städte werden die offenen Gewichte interessant, sobald Klimaanpassung ins Budget rutscht; Fraunhofer zeigt mit dem 4D-Hitze-Stadtzwilling, wie weit solche Modelle in die Stadtplanung hineinreichen.
Für den Einkauf von Wetterdaten ergibt sich daraus eine einfache Prüffrage: Beruht die gelieferte Windprognose auf einem Ensemble? Und wie viele Mitglieder stecken darin? Der Code liegt seit dem 6. August offen, das Argument der fehlenden Technik zieht damit nicht mehr.
Quellen
[1] Google DeepMind: „AI model achieves breakthrough in forecasting cyclones“
[2] Nature: „Operational tropical cyclone forecasting with AI“
[3] ECMWF: „ECMWF’s AI forecasts become operational“
[4] ECMWF: „ECMWF’s ensemble AI forecasts become operational“
Mehr Newshunger?
- Klimawandel: Diese Branchen zahlen drauf
- KI und digitale Transformation: Wie Städte intelligent den Klimawandel bekämpfen
- Hitze-Check 2026: Wo schützt die Stadt am wenigsten?
- Schwammstadt: Was kostet ein einziges Quartier?
- Was bringt die Smart City wirtschaftlich? BBSR zählt nach
- KI-Coding-Kosten im großen Maßstab steuern: Databricks nennt vier Hebel
