Im Oktober 2025 hätte ein Sturmsystem über der Karibik zwei sehr unterschiedlichen Pfaden folgen können. Traditionelle Wettermodelle waren sich uneinig. Das KI-Modell WeatherNext von Google DeepMind zögerte nicht: Fünf Tage vor dem Auflanden sagte es mit 80-prozentiger Sicherheit voraus, dass der Sturm als Hurrikan der Kategorie 5 auf Jamaika treffen würde. Es behielt recht. Hurrikan Melissa verursachte auf der ganzen Insel schwere Überschwemmungen und Erdrutsche, aber die Gemeinden erhielten früher Warnungen, als es sonst möglich gewesen wäre. Dieser Vorsprung stammt von einem System, das laut einer in Nature veröffentlichten Studie Meteorologen im Durchschnitt einen ganzen Tag mehr Vorwarnzeit verschaffen kann als bestehende Modelle.
Ein zusätzlicher Tag klingt bescheiden. Bei der Hurrikan-Vorhersage ist er das nicht.
Die Lücke zwischen Zugbahn und Intensität
Jahrelang haben KI-Wettermodelle echte Fortschritte bei der Vorhersage der Zugbahn eines Sturms gezeigt, also der Richtung, in die er wahrscheinlich ziehen wird. Dieser Teil des Problems ist relativ gut lösbar: Er greift auf großräumige atmosphärische Daten zurück, die Art von Daten, die globale Modelle gut verarbeiten. Kaltfronten, vorherrschende Winde und große Drucksysteme hinterlassen alle klare Signale in den Daten.
Intensität ist ein völlig anderes Problem. Um vorherzusagen, wie stark ein Sturm werden wird, muss man die Bedingungen in einem viel kleineren räumlichen Maßstab verstehen: lokale Wassertemperaturen, die Dynamik der Atmosphäre in der Nähe des Sturmzentrums sowie subtile Wechselwirkungen, die globale Modelle tendenziell glätten. Wie Kate Musgrave, Leiterin der Arbeitsgruppe für tropische Zyklone am Cooperative Institute for Research in the Atmosphere und Mitautorin der Nature-Studie, es ausdrückt, ist die Intensität etwas, das frühere KI-Modelle „überhaupt nicht gut konnten“.
Genau das macht die Leistung von WeatherNext so bemerkenswert. Das Modell bewältigt sowohl die Zugbahn als auch die Intensität und verwendet dabei atmosphärisch weniger aufgelöste Daten, als traditionelle numerische Modelle für die Intensitätsvorhersage typischerweise benötigen. Als das Forschungsteam dies der breiten meteorologischen Gemeinschaft mitteilte, war die Reaktion Überraschung. Man war davon ausgegangen, dass grob aufgelöste Eingaben einfach nicht genügend Signal transportieren können, um die Sturmintensität zuverlässig vorherzusagen. WeatherNext legt nahe, dass diese Annahme falsch war, obwohl die Forscher selbst noch nicht erklären können, warum. Ferran Alet, Forschungsmitarbeiter bei Google DeepMind und einer der Hauptautoren der Studie, beschreibt das Modell schlicht: „Letztendlich ist es eine Blackbox.“ Irgendetwas in den Daten mit geringerer Auflösung ist auf eine Art und Weise informativ, die zuvor nicht verstanden wurde. Was genau dieses Etwas ist, bleibt eine offene Frage.
Tausend Szenarien statt einem
Ein Teil dessen, was das Modell für den operativen Einsatz nützlich macht, ist nicht nur seine Genauigkeit bei einer einzelnen Vorhersage, sondern die Bandbreite an Möglichkeiten, die es generiert. Statt nur eine Vorhersage zu treffen, gibt WeatherNext mehrere potenzielle Szenarien für einen sich entwickelnden Sturm aus und erfasst dabei das, was Alet als den „Schmetterlingseffekt“ beschreibt: kleine Abweichungen zu Beginn, die sich zu drastisch unterschiedlichen Ergebnissen aufsummieren können. Letztes Jahr generierte das Modell 50 Szenarien pro Sturm. Mittlerweile sind es 1.000. Dieses Volumen an Ensemble-Vorhersagen ist für traditionelle numerische Modelle rechentechnisch unerreichbar.
Hurrikan Melissa markierte zudem einen bestimmten Meilenstein: Es war das erste Mal, dass das National Hurricane Center in der Lage war, einen Hurrikan der Kategorie 5 vorherzusagen, während sich der Sturm noch in der Intensität der Kategorie 1 befand. Genau diese Art der Frühstufen-Intensitätsvorhersage wurde durch das Modell verbessert.
Die Leistung hielt unter realen Bedingungen stand, was nicht garantiert war. Bevor WeatherNext in Live-Vorhersagen eingesetzt wurde, testeten Forscher es an historischen Daten. Die Ergebnisse waren stark genug, dass das Team skeptisch war, ob sie sich in Echtzeit replizieren lassen würden. Sie taten es. „Ich denke, jeder war überrascht, wie gut es abgeschnitten hat“, sagte Musgrave.
Warum ein Tag vor Ort alles verändert
Die Bedeutung eines zusätzlichen Tages an Vorwarnzeit ist nicht abstrakt. Mike Brennan, Direktor des US National Hurricane Center, beschreibt die praktischen Risiken deutlich: Evakuierungen zu organisieren, Vorräte zu positionieren und Notfallressourcen zu bewegen sind alles zeitkritische Operationen, bei denen eine falsche Entscheidung schwerwiegende Folgen hat. Historisch gesehen hätte die Verbesserung der Vorhersagegenauigkeit um einen einzigen Tag etwa ein Jahrzehnt inkrementeller Arbeit in der traditionellen Modellierung erfordert. WeatherNext hat diesen Zeitplan verkürzt.
Hier wird die breitere Bedeutung der Technologie sichtbar. KI ersetzt nicht die Meteorologen, die diese Modelle interpretieren, oder die Katastrophenschutzmanager, die danach handeln. Brennan ist in diesem Punkt unmissverständlich: Eine Hurrikan-Vorhersage ist keine reine Zugbahn- oder Intensitätszahl. Die Übersetzung dieser Daten in ein Verständnis realer Auswirkungen – jene Art von Urteilsvermögen, die bestimmt, wie sich Gemeinden vorbereiten und reagieren –, erfordert weiterhin menschliches Fachwissen. Das Modell ist ein Werkzeug in einem größeren System, und zwar ein mächtiges, aber die menschliche Ebene bleibt unverzichtbar.
Google DeepMind hat angekündigt, die während der Hurrikan-Saison verwendeten WeatherNext-Modelle als Open Source zur Verfügung zu stellen, sodass sie der breiteren Forschungsgemeinschaft zugänglich sind. Alet sieht darin eine Chance nicht nur für bessere Vorhersagen, sondern für wissenschaftliche Entdeckungen. Ein Modell, das in Daten Signale findet, wo Physiker keine erwartet hatten, könnte bei genauerer Betrachtung etwas wirklich Neues über die Funktionsweise von Zyklonen enthüllen.
Kurz gefasst
WeatherNext verschafft Hurrikan-Meteorologen im Durchschnitt einen zusätzlichen Tag an genauer Vorwarnzeit – ein Gewinn, der historisch gesehen ein Jahrzehnt an konventionellen Methoden erfordert hätte. Dies gelingt ihm durch die Bewältigung sowohl der Sturmzugbahn als auch der Intensität unter Verwendung von Daten mit geringerer Auflösung, als Experten für möglich hielten. Das Modell generiert 1.000 Szenarien pro Sturm und erfasst Unsicherheiten auf eine Weise, die herkömmliche Computer nicht erreichen können. Was es noch nicht kann, ist sich selbst zu erklären: Der Mechanismus hinter seiner Genauigkeit bleibt unbekannt, was an sich schon ein wissenschaftliches Signal ist, das es zu untersuchen lohnt. Die menschlichen Meteorologen, die seine Ergebnisse interpretieren, bleiben unverzichtbar.
Basierend auf Berichten von Wired.