Google DeepMind sagt, WeatherNext erzielt Durchbruch bei der Vorhersage von Zyklonen
Wichtige Erkenntnisse
- •Das WeatherNext-KI-Modell von Google DeepMind liefert bei der Vorhersage von Zugbahn, Intensität und Windstruktur von Zyklonen mehr als 24 Stunden zusätzliche Vorlaufzeit.
- •Das Modell wurde auf nahezu 20 Terabyte globaler Atmosphärendaten sowie historischen Aufzeichnungen zu rund 5.000 früheren Stürmen trainiert.
- •Während der Hurrikansaison 2025 half WeatherNext dem National Hurricane Center, die rasche Intensivierung und Landung von Hurricane Melissa in Jamaika vorherzusagen, was eine frühzeitige Warnung ermöglichte.
- •Google DeepMind stellt den Code und die Modellgewichte von WeatherNext 2 und WeatherNext Cyclones sowie eine kompakte WeatherNext 2-mini-Version als Open Source bereit.
- •Das Modell erreicht seine Genauigkeit mit Eingabedaten in einer Auflösung von 28x28 Kilometern, also etwa 100-mal gröber als herkömmliche Zyklonvorhersagesysteme.
Google DeepMind sagt, WeatherNext erzielt Durchbruch bei der Vorhersage von Zyklonen
WeatherNext-Team
WeatherNext ermöglicht präzise Zyklonvorhersagen, die einen zusätzlichen Tag Warnzeit verschaffen können. Google DeepMind stellt das Modell nun als Open Source bereit.
Die Vorhersage der Entwicklung gefährlicher Zyklone ist seit Langem eine Herausforderung, bei der jede Stunde zählt. Tropische Zyklone — auch als Hurrikane oder Taifune bekannt — gehören zu den zerstörerischsten Wetterphänomenen der Erde und waren in den vergangenen 50 Jahren weltweit für mehr als 700.000 Todesfälle und wirtschaftliche Schäden in Höhe von 1,4 Billionen US-Dollar verantwortlich. Für Vorhersagekräfte ist es ein ständiger Wettlauf gegen die Zeit, rechtzeitig genaue Warnungen auszugeben. Die Vereinten Nationen haben Frühwarnsysteme mit ihrer Initiative Early Warnings for All zu einer globalen Priorität gemacht; sie soll sicherstellen, dass bis 2027 jeder Mensch auf der Erde durch Gefahrenwarnsysteme geschützt ist.
Heute berichtet Google DeepMind in einer in Nature veröffentlichten Studie, dass sein WeatherNext-KI-Modell eine Best-in-Class-Genauigkeit bei der Vorhersage von Zugbahn, Intensität und Windstruktur eines Zyklons erreicht hat. Im Durchschnitt verschafft das Modell Vorhersagekräften einen zusätzlichen Tag an Vorhersagegenauigkeit: Seine Drei-Tage-Prognosen sind so gut wie das, was frühere Modelle nur für die nächsten zwei Tage liefern konnten. Das Unternehmen erklärte, dass dieses Ausmaß an Verbesserung ungefähr einem Jahrzehnt meteorologischen Fortschritts entspricht. WeatherNext baut auf Googles früheren KI-Wettermodellen GraphCast und GenCast auf und erweitert diese Forschungsrichtung mit einem speziellen Fokus auf tropische Zyklone.
Die Arbeit brachte KI-Forscher und Ingenieure bei Google DeepMind und Google Research mit erfahrenen Vorhersagekräften am National Hurricane Center (NHC), dem Cooperative Institute for Research in the Atmosphere (CIRA), dem UK Met Office und Wetterbehörden auf der ganzen Welt zusammen.
Google teilte mit, dass die Forschung bereits reale Auswirkungen hatte. Während der Hurrikansaison 2025 half das Modell dem NHC bei einer historischen Vorhersage für Hurricane Melissa, indem es die rasche Intensivierung des Sturms und die Landung in Jamaika vorhersagte. Das ermöglichte dem NHC eine frühzeitige Warnung und verschaffte den Teams vor Ort wertvolle Zeit zur Vorbereitung. In diesem Jahr arbeiten die Gruppen weiter zusammen und prognostizieren nun 1.000 mögliche Szenarien für jeden Zyklon, um die Vorhersagekräfte bei ihren Entscheidungen zu unterstützen.
Wetter betrifft alle. Aufgrund dieser breiten Wirkung stellt Google DeepMind nun seine während der Hurrikansaison eingesetzten Modelle WeatherNext 2 und WeatherNext Cyclones als Open Source bereit. Mit der offenen Verfügbarkeit dieser Technologie hofft das Unternehmen, die Forschungsgemeinschaft zu stärken und die Rolle von KI beim Aufbau widerstandsfähigerer Gemeinschaften zu vergrößern — etwa indem lokale Vorhersagekräfte mit den nötigen Werkzeugen für die Vorbereitung auf Naturkatastrophen ausgestattet, das Wachstum erneuerbarer Energien unterstützt oder Extremwetter früher erkannt wird. Die Open-Source-Veröffentlichung erfolgt in einem Umfeld, in dem mehrere Technologieunternehmen, darunter NVIDIA und Huawei, in den vergangenen Jahren KI-Wettermodelle veröffentlicht haben, was das wachsende Brancheninteresse an maschinellem Lernen für die operationelle Meteorologie widerspiegelt.
Wie WeatherNext Wetter und Zyklone vorhersagt
Ausgehend von den globalen atmosphärischen Bedingungen während Hurricane Milton im Oktober 2024 sagt WeatherNext Cyclones iterativ sowohl globale Wettermuster als auch kleinräumige Zyklonbahnen bis zu 15 Tage im Voraus voraus. Ein 1.000-Mitglieder-Ensemble erzeugt lokalisierte Wahrscheinlichkeitskarten für Winde von Tropensturm- bis Hurrikanstärke.
Die Vorhersage von Zyklonen erforderte bislang meist einen Kompromiss zwischen zwei unterschiedlichen Modellierungsansätzen. Die Zugbahn eines Zyklons — also wohin er sich bewegt — wird von großräumigen globalen atmosphärischen Strömungen bestimmt, die bisher am besten von gröberen globalen Modellen abgebildet wurden. Die Intensität eines Zyklons — also wie stark er wird — hängt hingegen von stark lokalisierten, feinräumigen thermodynamischen Prozessen in seinem Kern ab, die sich am besten mit spezialisierten lokalen Modellen höherer Auflösung beschreiben lassen.
Google erklärte, WeatherNext überbrücke diese Lücke, indem es die Vorhersage sowohl für das globale Wetter als auch für Zyklone verbessert. Es ist ein einzelnes KI-Modell, das die Zugbahn, Intensität und Windstruktur eines tropischen Zyklons mit Best-in-Class-Genauigkeit vorhersagt. Das Unternehmen sagte, der Durchbruch beruhe auf einer einzigartigen Kombination aus Training, Architektur und dem Umgang mit Eingaben niedriger Auflösung.
WeatherNext Cyclones wurde anhand historischer Zyklone aus den Jahren 2023 bis 2024 bewertet, wobei die deterministische und probabilistische Leistung mit anderen führenden Wettermodellen verglichen wurde. Im Durchschnitt verschafft das Modell einen Vorsprung von mehr als einem vollen Tag, also 24 Stunden, bei der Vorhersage von Zugbahn, Intensität und Windstruktur von Zyklonen.
Das Modell wurde gemeinsam auf zwei unterschiedlichen Datenmodalitäten trainiert: globalen Wetterdynamiken und von Experten kuratierten historischen Zyklonbeobachtungen. Es wurde Ende-zu-Ende auf nahezu 20 Terabyte globaler Atmosphärendaten und der historischen IBTrACS-Datenbank mit nahezu 5.000 historischen Stürmen trainiert und lernt dadurch komplexe atmosphärische Muster und Extremwetterverhalten.
Die Genauigkeit von Zyklonvorhersagen hat sich in den vergangenen Jahrzehnten stetig verbessert. Google sagte, die Grafiken in der Studie zeigten die Drei-Tages-Genauigkeit von ECMWF-ENS-Zugbahnvorhersagen und HWRF-Intensitätsvorhersagen im Zeitverlauf sowie, wie WeatherNext Cyclones bei Zugbahn und Intensität einen deutlichen Qualitätssprung darstellt. Das Unternehmen erklärte, diese Verbesserung entspreche auf Basis der Trends der vergangenen 20 Jahre etwa einem Jahrzehnt Fortschritt.
Das Modell verwendet Functional Generative Networks (FGNs), um effizient Ensembles unterschiedlicher Vorhersagen zu erzeugen und so die inhärente Unsicherheit des Wetters abzubilden. Google sagte, es könne nun eine einzelne 15-Tage-Vorhersage in weniger als einer Minute auf einer TPU erzeugen, wodurch Vorhersagekräfte die Wahrscheinlichkeitsverteilung potenziell verheerender Tail-Risiken schnell bewerten können. Im vergangenen Jahr erzeugte das System jeweils 50 Vorhersagen und entsprach damit globalen Physikmodellen. In diesem Jahr wurde die Ensemblegröße auf 1.000 Mitglieder skaliert, um seltene, aber folgenschwere Szenarien wie schnelle Intensivierungen besser zu erfassen, wie sie 2025 während Hurricane Melissa auftraten.
Bislang galt eine sehr hohe räumliche Auflösung allgemein als der wichtigste Faktor für genaue Intensitätsvorhersagen. WeatherNext Cyclones benötigt jedoch nur Daten mit einer Auflösung von 28x28km, also 100-mal gröber als traditionelle Modelle. Eine kleinere Version des Modells, WeatherNext 2-mini, die mit einer noch gröberen Auflösung von 111x111km arbeitet, zeigt ebenfalls starke Ergebnisse. Google sagte, dies habe Wissenschaftler überrascht, und es bleibe eine offene Forschungsfrage, vollständig zu verstehen, wie die Modelle bei dieser Auflösung so genaue Vorhersagen erzeugen.
Öffnung von WeatherNext für die Forschungsgemeinschaft
Zusammen mit der Nature-Studie stellt Google DeepMind den Code und die Modellgewichte als Open Source bereit und macht sie für alle frei nutzbar. Laut Unternehmen umfasst dies akademische Forschung, operative Vorhersagen und die Entwicklung spezialisierterer, lokaler Modelle. Man hoffe, den Fortschritt in der globalen Wettergemeinschaft zu beschleunigen und Meteorologiebehörden, Forschende und gemeinnützige Organisationen dabei zu unterstützen, Wetterereignisse aller Art besser vorherzusagen und wichtige Entscheidungen zum Schutz von Menschenleben und Infrastruktur zu treffen.
Google veröffentlicht außerdem zwei weitere ähnliche Modellreihen: WeatherNext Cyclones, das während der Hurrikansaison eingesetzt wurde und in den Ergebnissen der Studie enthalten ist, sowie WeatherNext 2, eine spätere Aktualisierung, die im Oktober in den Betrieb überführt wurde. Zusätzlich wird WeatherNext 2-mini veröffentlicht, eine kompakte Version des Modells, die auf einer einzelnen TPU in einem kostenlosen öffentlichen Colab-Notebook ausgeführt werden kann.
Nutzerinnen und Nutzer können die neuesten Zyklonvorhersagen auch in Weather Lab erkunden, das Google kürzlich mit einer neuen Oberfläche aktualisiert und um globale Wettervorhersagen neben Zyklonbahnen erweitert hat. Weather Lab ermöglicht es nun, WeatherNext-Prognosen für Temperatur, Niederschlag, Windgeschwindigkeit und mehr in einer einzigen Ansicht zu visualisieren. Sowohl Weather Lab als auch die WeatherNext-Modelle sind Teil von Google Earth AI.
Die Grenzen von KI für Wettervorhersagen verschieben
Google sagte, man habe einen historischen Durchbruch erzielt, indem man bei der Vorhersage von Zyklonen mehr als einen ganzen Tag an Vorlaufzeit gewonnen habe — ein Fortschritt, der einem Jahrzehnt meteorologischen Fortschritts entspreche. Mit Blick auf kommende Sturmsaisons lädt das Unternehmen Forschende, Meteorologiebehörden und Expertinnen und Experten ein, mit den Open-Source-Modellen zusammenzuarbeiten und die Vorhersagen in Weather Lab zu erkunden.
Durch die Kombination fortgeschrittener maschineller Lernverfahren mit der unverzichtbaren Praxiserfahrung menschlicher Vorhersagekräfte will Google ein kollaboratives Ökosystem für Wettervorhersagen schaffen, das Leben retten und Gemeinschaften helfen kann, sich an ein sich veränderndes Klima anzupassen.
Hinweis: Für offizielle Wettervorhersagen und Warnungen wenden Sie sich bitte an Ihre lokale meteorologische Behörde oder den nationalen Wetterdienst.
Danksagungen
Diese Forschung wurde von den Teams von Google DeepMind und Google Research gemeinsam entwickelt.
Google dankte seinen Partnern vom NOAA/NWS/NCEP National Hurricane Center, dem Cooperative Institute for Research in the Atmosphere (CIRA) und dem UK Met Office für ihre Zusammenarbeit und ihre Beiträge zur Studie.
Zu den Mitautorinnen und Mitautoren der Studie gehören Ferran Alet, Tom Andersson, Ilan Price, Stratis Markou, Andrew El-Kadi, Dominic Masters, Amy Li, Samier Merchant, Natalie Williams, Gregory Thornton, Ken MacKay, Olivia Graham, Akib Uddin, Ben Gaiarin, Devaja Shah, Elinor Kruse, Wallace Hogsett, David Zelinsky, John Cangialosi, Jonathan Martinez, James Franklin, Mark DeMaria, Kate Musgrave, Caroline L. Bain, Helen Titley, Jacklynn Stott, Remi Lam, Aaron Bell, Paul Komarek, Matthew Willson, Alvaro Sanchez-Gonzalez und Peter Battaglia.
