Das neue KI-Wettermodell WeatherNext3 wurde am 3. September 2026 vorgestellt. Es wird als großer und wichtiger Meilenstein im Bereich der Wettervorhersage mit KI angesehen. Doch wo liegt der Unterschied zu den bisherigen KI-Modellen?
Das neue Modell erzeugt im Gegensatz zu bisherigen KI-Modellen eine stündliche Vorhersage. Zudem lernt das Modell direkt aus Beobachtungen, wodurch es Informationen nutzen kann, die in klassischen Analysesystemen erst verarbeitet werden müssen. Dies ist besonders beim Niederschlag interessant, weil Radar- und Satellitenbeobachtungen meist wesentlich näher an der tatsächlichen Niederschlagsverteilung liegen als eine globale Analyse eines numerischen Wettervorhersagemodells. Das führt zu großen Vorteilen hinsichtlich der Geschwindigkeit der Berechnungen und der damit verbundenen Aktualisierungsfrequenzen.
Trotz dieser Vorteile ergeben sich auch im neuen Wettervorhersagemodell Schwachstellen. Bevor wir auf diese eingehen, stellt sich zunächst die Frage nach den Unterschieden zu einem herkömmlichen numerischen Wettervorhersagemodell.
Bei einem numerischen Wettervorhersagemodell werden die Beobachtungen der verschiedenen meteorologischen Messinstrumente durch Datenassimilation zu einem für das Modell geeigneten Anfangszustand gebracht. Anschließend wird der zukünftige Zustand der Atmosphäre mithilfe diskretisierter physikalischer Gleichungen berechnet. KI-Modelle benutzen dagegen keine physikalischen Gleichungen zur Berechnung des zukünftigen atmosphärischen Zustandes. Das Modell lernt bestimmte Muster und Zustände aus einem großen Trainingsdatensatz. Dabei wurden bei vielen der bisherigen KI-Modelle als Grundlage überwiegend Reanalysen der numerischen Wettervorhersagemodelle verwendet. Diese stellen bereits durch Datenassimilation aufbereitete, räumlich und zeitlich konsistente Felder der Atmosphäre dar. WeatherNext3 benutzt jedoch als Anfangszustand zusätzlich Beobachtungsdaten von Satelliten und Wetterstationen.
Dadurch ergeben sich neben den oben genannten Vorteilen aber auch einige potenzielle Schwachpunkte.
WeatherNext3 benutzt als Anfangszustand Beobachtungsdaten. Direkte Beobachtungsdaten enthalten Mess-, Repräsentativitäts-, Übertragungs- und Kalibrierungsfehler. Während klassische Datenassimilation diese Unsicherheiten explizit modelliert und gewichtet, muss ein neuronales Modell den Umgang mit solchen Fehlerstrukturen implizit aus den Trainingsdaten lernen. Besonders bei bisher unbekannten Sensorfehlern kann dies zu systematischen Fehlern führen. Zudem stellt sich die Frage, wie robust das Modell bei Datenausfall ist. Der Ausfall einzelner Satellitenkanäle, Kalibrationsänderungen der Messinstrumente oder die Einführung neuer Sensoren können die Statistik der Eingabedaten verändern.
Neuronale Modelle lernen aus historischen Daten. Wenn die Atmosphäre nun aber neue Zustände annimmt, die nicht bekannt sind, kann es zu Fehlern kommen. Dies ist gerade im Hinblick auf den Klimawandel interessant. Bei einer historischen Hitzewelle sind durch die höheren Temperaturen auch andere meteorologische Variablen verändert. Dadurch steigt beispielsweise auch die in einer Luftmasse enthaltende Feuchte an - eine wichtige Variable zur Vorhersage von Starkniederschlägen. Nun hat die KI aber gelernt, dass bei diesem bestimmten synoptischen Muster, welches sie aus der Vergangenheit kennt, 50 l/qm innerhalb von 6 Stunden fallen können. In der Realität kann dies dazu führen, dass dieselbe großräumige Wetterlage deutlich stärkere Niederschläge erzeugt. Dadurch kann das Modell anfangs in dieser Situation die Starkregenfälle deutlich unterschätzen.
Gerade bei der Kombination aus neuartigen klimatischen Bedingungen und ungewöhnlichen extremen Wetterereignissen steht die KI teils vor größeren Problemen. Ein durchschnittliches Verifikationsmaß kann diese gesellschaftlich besonders relevanten Ereignisse verschleiern. Ein Modell kann nämlich im globalen Mittel einen sehr guten RMSE (Root Mean Square Error) oder auch sehr gute Werte bei probabilistischen Bewertungsmaßen erzielen und dennoch bei Starkregen, rapider Intensivierung von Stürmen oder kleinräumiger Konvektion deutlich schlechter abschneiden.
Zudem kann ein KI-Modell zwar einen Zustand erzeugen, der bei den einzelnen meteorologischen Variablen als plausibel erscheint, aber in ihrer Kombination physikalisch nicht vollständig konsistent ist. Diese Inkonsistenz kann sich mit zunehmender Vorhersagezeit fortpflanzen. Dadurch kann die Vorhersage eines KI-Modells bei kurzer Vorhersagezeit trotz physikalischer Inkonsistenz noch eine höhere Güte aufweisen, mit zunehmender Vorhersagezeit dann aber eine schlechtere Vorhersage liefern.
Außerdem können räumliche Artefakte in den Prognosefeldern auftreten. Diese Strukturen können durch die interne Modellgeometrie entstehen. Dabei kann es vorkommen, dass die neuronale Architektur bestimmte räumliche Skalen oder Symmetrien systematisch bevorzugt, glättet oder verzerrt. Gerade wiederum bei der Vorhersage von kleinräumigen und extremen Wetterereignissen kann dieser Fehler problematisch sein. So können beispielsweise Fronten oder kleinräumige Niederschlagsmaxima durch Glättungsprozesse abgeschwächt oder auch räumlich verschoben werden.
Ein weiterer Unterschied liegt in der Interpretierbarkeit der Vorhersage. Bei numerischen Modellen lassen sich Fehler häufig bestimmten physikalischen Prozessen, Parametrisierungen oder Anfangsbedingungen zuordnen. Bei KI-Modellen ist deutlich schwieriger nachzuvollziehen, warum eine bestimmte Vorhersage entstanden ist. Dies kann vor allem im operationellen Wetterdienst problematisch sein, wenn Meteorologen die Plausibilität einer Prognose beurteilen müssen.
KI-Wettermodelle sind insgesamt ein großer Fortschritt – doch gerade bei unbekannten Wetterregimen, seltenen Extremereignissen und sich rasch veränderten klimatischen Bedingungen wird sich zeigen, wie robust sie wirklich sind. Auch numerische Modelle enthalten Fehler in der Datenassimilation, numerischen Diskretisierung und der Parametrisierung physikalischer Prozesse. Der entscheidende Unterschied liegt jedoch vielmehr darin, dass diese Fehlerquellen expliziter beschrieben und physikalisch diagnostiziert werden können. Somit ist das wahrscheinlichste Zukunftsszenario nicht die vollständige Ablösung numerischer Wettervorhersagemodelle, sondern ein hybrides System aus KI- und numerischen Wettervorhersagemodellen, welches die Vorhersagegüte voraussichtlich insgesamt steigern wird.