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. (siehe Thema des Tages vom 19.11.2023)
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 (siehe Thema des Tages vom 09.06.2020), 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.