Google DeepMind und Google Research haben WeatherNext 3 vorgestellt, das laut unabhängiger Live-Evaluierungen von Brightband als das fortschrittlichste und genaueste globale Wettermodell aller Zeiten gilt. Das Flaggschiff unter den KI-Vorhersagemodellen umfasst Echtzeit-Satellitendaten, stündliche Aktualisierungen, höhere Auflösung, präzise Niederschlagsvorhersagen und neue Variablen für saubere Energie. Es ist nun in Google Search, der Gemini-App, Google Maps, Google Maps Platform und Google Cloud integriert.

Jeden Tag beeinflusst das Wetter Milliarden von Entscheidungen. Manche sind so einfach wie das Mitnehmen eines Regenschirms, andere haben weitreichendere Folgen. Wind, Regen und extreme Wetterereignisse wie Hitzewellen und Dürren wirken sich kaskadenartig auf Landwirtschaft, globale Lieferketten, die Produktion sauberer Energie und Volkswirtschaften aus.

In den vergangenen Jahren hat KI die Wettervorhersage revolutioniert, indem sie historische Aufzeichnungen nutzt, um schnellere und genauere Prognosen zu erstellen als herkömmliche Methoden. DeepMinds eigenes GraphCast, veröffentlicht im Jahr 2023, übertraf konventionelle numerische Systeme bei vielen Kennzahlen und half, maschinelles Lernen als glaubwürdige Ergänzung zur physikbasierten Vorhersage zu etablieren – neben Anstrengungen anderer Organisationen wie dem Europäischen Zentrum für mittelfristige Wettervorhersage (ECMWF) und seinem Open-Source-Modell AIFS. Die Vorhersage hochgradig lokalen und sich schnell ändernden Wetters blieb jedoch eine Herausforderung. Frühere Modelle verfügten oft über eine unzureichende räumliche Auflösung und hatten Schwierigkeiten, Echtzeit-Wetterdaten aus Quellen wie Satelliten einzubeziehen.

WeatherNext 3 lernt direkt aus Echtzeitbeobachtungen und ermöglicht so zeitnahe und stärker lokalisierte Vorhersagen für die Wetterereignisse, die die Menschen am meisten betreffen. Durch die Nutzung roher Satellitendaten zur Erstellung einer hochauflösenden Vorhersage jede Stunde macht das Modell zuverlässige Prognosen in Google-Produkten weltweit zugänglich.

Schnelle Wettervorhersage in beispielloser Auflösung

Der Nutzen einer Vorhersage hängt oft vom Detailgrad ab – davon, wie fein sie Zeit und Raum auflöst. WeatherNext 3 erzeugt stündliche Vorhersagen auf mehreren räumlichen Auflösungen und bewahrt dabei die physikalische Konsistenz von großräumigen globalen Windmustern bis hin zur lokalen Topografie.

Das Modell visualisiert wichtige Oberflächenvariablen wie Temperatur und Feuchtigkeit mit einer Auflösung von 5 Kilometern, andere Oberflächenvariablen mit 10 Kilometern und Atmosphärenvariablen wie Windgeschwindigkeit mit 25 Kilometern. Insgesamt liefert dies ein globales Wetterbild, das etwa fünfmal schärfer ist als das des Vorgängermodells WeatherNext 2, das Vorhersagen auf einem 25-Kilometer-Raster in 6-Stunden-Schritten erstellte.

Architektonisch nimmt WeatherNext 3 live 1-Stunden-Mosaiken geostationärer Satelliten zusammen mit herkömmlichen historischen Analysen auf, um einen einzelnen, flexiblen Functional-Generative-Network-(FGN)-Mesh-Transformer zu speisen. Es gibt dichte Rasterfelder, diskrete Zyklonbahnen und stationsspezifische Sparse-Vorhersagen nativ aus.

Bei einem Vergleich von 2-Meter-Temperaturvorhersagen über dem Vereinigten Königreich löst die native 5-Kilometer-Auflösung (0,05°) von WeatherNext 3 die feine lokale Topografie auf und vermeidet die pixeligen, überglätteten thermischen Darstellungen, die WeatherNext 2 mit 25-Kilometer-Auflösung (0,25°) erzeugte.

Reale Daten in kontinuierlichem globalem Maßstab

Der größte Fortschritt liegt darin, woraus das Modell lernt. Die meisten KI-Wettermodelle, einschließlich WeatherNext 2, werden mit Daten numerischer Wettervorhagemodelle (NWP) trainiert. Nützlich wie sie sind, handelt es sich bei NWP-Modellen um komplexe, supercomputergetriebene Physiksimulationen mit einer Datenverzögerung von sechs Stunden – eine Verzögerung, die bei sich schnell ändernden Variablen wie Regen oder Oberflächentemperatur Verzerrungen verursachen kann.

Durch die Aufnahme eines Mosaiks aus live verfügbaren, globalen Daten geostationärer Satelliten erhält WeatherNext 3 eine kontinuierlich aktualisierte Sicht der Atmosphäre. Dadurch kann das Modell jede Stunde eine neue Vorhersage erstellen, jeweils auf Basis der aktuellsten verfügbaren Satellitenbeobachtungen, mit einer Auflösung von bis zu 5 Kilometern.

Diese schnelle Aktualisierung ist wichtig, weil sich kritisches Wetter schnell entwickelt. Wenn Stürme, Fronten oder Niederschlagssysteme plötzlich entstehen, liefern der stündliche Aktualisierungszyklus und die höhere Auflösung des Modells frühere und detailliertere Erkenntnisse, die eine wirksame Reaktion unterstützen.

Manche Variablen wie Temperatur und Luftfeuchtigkeit können bereits über wenige Kilometer dramatisch schwanken – besonders relevant für Gemeinden in Küstennähe, Tälern oder Gebirgszügen. Herkömmliche Modelle haben hier Schwierigkeiten, da sie mit Atmosphärendarstellungen trainiert werden, denen es an Detailreichtum mangelt und die extreme lokale Unterschiede verfehlen. WeatherNext 3 wird stattdessen direkt mit Sparse-Beobachtungsdaten von Wetterstationen trainiert, was globale Vorhersagen auf einem 5-Kilometer-Raster ermöglicht, die regionale Details wie die Topografie berücksichtigen.

Laut Google ist dieser Durchbruch besonders bedeutsam für Regionen in Lateinamerika, Afrika und im asiatisch-pazifischen Raum, die historisch von hochauflösenden Vorhersagen unterversorgt waren, da die enormen Supercomputing-Kosten herkömmlicher Regionalmodelle dies verhinderten. Er bringt lokalisierte, präzise Vorhersagen zu Milliarden Menschen und lokalen Unternehmen in diesen Gebieten. Da KI-Modelle nach dem Training mit deutlich weniger Rechenleistung auskommen als supercomputerbasierte NWP-Systeme, senken sie die Kostenschranke, die hochauflösende Vorhersagen bisher auf wohlhabendere Regionen beschränkte.

Über Auflösung und Vorhersagehäufigkeit hinaus führt das Modell für die Produktion erneuerbarer Energien konzipierte Vorhersagen ein. WeatherNext 3 prognostiziert Windgeschwindigkeiten in 100 Metern Höhe – etwa in Turbinenhöhe – für eine präzise Schätzung der Windenergieproduktion sowie hochauflösende Bewölkungs- und Sonnenstrahlungswerte, die Solarparks helfen einzuschätzen, wie viel Licht den Boden erreichen wird. Laut Google sind diese Daten entscheidend für die globale Planung sauberer Energie, da Betreiber von Stromnetzen und Entwickler erneuerbarer Energien vorhersagen können, wie viel Strom ihre Anlagen erzeugen werden, und dies mit der Nachfrage der Verbraucher abgleichen können. Diese Fähigkeit deckt sich mit Googles eigenem erklärten Ziel, bis 2030 rund um die Uhr mit kohlenstofffreier Energie zu operieren – ein Unterfangen, das stark von der Vorhersage der Erzeugung erneuerbarer Energien abhängt.

Niederschlagsvorhersage mit bahnbrechender Genauigkeit

Globale Wettermodelle tun sich traditionell schwer damit, Niederschläge genau vorherzusagen. Regen- und Schneessysteme werden von sich schnell bewegenden Wolkenprozessen auf winzigen Skalen angetrieben, die sich mit herkömmlichen physikbasierten Simulationen nur schwer präzise modellieren lassen. In der Folge produzieren KI-Vorhersagen oft unscharfe Schätzungen oder verfehlen die Grenzen schwerer Stürme vollständig.

Um dies zu beheben, trainierte Google das Modell mit zwei hochwertigen Niederschlagsdatensätzen: dem satellitengestützten Integrated Multi-satellite Retrievals for GPM (IMERG) der NASA und einer eigenen globalen Niederschlags-Reanalyse auf Basis von Satellitenradar.

Das Ergebnis ist ein deutlicher Sprung bei der Genauigkeit der Niederschlagsvorhersage. Bei mittelfristigen globalen Vorhersagen zeigen Evaluierungen gegenüber Basiswerten eine Verbesserung des Continuous Ranked Probability Score (CRPS) von bis zu 60 % gegenüber IMERG, 30 % für MRMS und 10 % gegenüber Regenmessungen für frühe Vorhersagezeiträume.

Bei einem Vergleich mittelfristiger Niederschlagswahrscheinlichkeiten (PoP > 1 mm) zeigte WeatherNext 2 mit 25-Kilometer-Auflösung eine stark verschwommene und verpixelte Niederschlagsdarstellung, während WeatherNext 3 mit 11-Kilometer-Auflösung die tatsächlichen Satelliten-Referenzdaten eng abbildete und die scharfen, konvektiven Bänder der Wettersysteme präzise erfasste.

Forschung im Ökosystem angewendet

Google erklärt, dass das Hauptziel darin besteht, Wetterintelligenz universell nützlich zu machen – sei es für Ersthelfer, die plötzliche Windveränderungen verfolgen, Fluglotsen, die Flugrouten planen, oder Landwirte, die ihre Felder bewirtschaften.

Um diese Durchbrüche aus dem Labor in die Praxis zu bringen, wird WeatherNext 3 in Googles Kern-Ökosystem und darüber hinaus integriert:

• Hochauflösende Vorhersagedaten: Globale Wettervorhersagen werden stündlich aktualisiert und können ohne Modell-Setup direkt in Workflows integriert werden. Forscher, Entwickler und Unternehmen können die Daten in BigQuery und Earth Engine abfragen oder aus Google Cloud Storage im Bulk herunterladen.
• Weltweite Verfügbarkeit: WeatherNext 3 beginnt ab heute, Wettererlebnisse in Google Search, der Gemini-App, Google Maps, der Google Maps Platform Weather API und Google Earth Engine zu unterstützen. Das Update verbessert mittelfristige Vorhersagen deutlich: Bei Planungen von einem Tag oder mehr im Voraus sehen Nutzer bis zu 50 % genauere Niederschlagsvorhersagen – mit den größten Verbesserungen in Regionen, in denen Vorhersagen bisher weniger zuverlässig waren.

Google weist darauf hin, dass die Atmosphäre immer ein gewisses Maß an Unvorhersehbarkeit behalten wird. Durch das Training mit realen Beobachtungen und die Umgehung herkömmlicher Modellierungseinschränkungen rückt WeatherNext 3 Vorhersagen jedoch näher an das heran, was tatsächlich am Boden geschieht. Mit der Reife der KI-Vorhersage stellt sich die wiederkehrende Frage, wie maschinelle Lernsysteme und traditionelle physikbasierte Behörden koexistieren werden – nationale Wetterdienste, auch die mit KI-Entwicklern zusammenarbeiten, bleiben die maßgebliche Quelle für Warnungen und öffentliche Sicherheit, eine Rolle, die Google selbst anerkennt.

Zusätzliche Ressourcen zur Veröffentlichung umfassen das WeatherNext-3-Forschungspapier, Entwicklerdokumentation zum Bauen mit WeatherNext 3, das Weather Lab für Echtzeitvisualisierungen des Modells sowie Brightbands unabhängige Live-Ranglisten, auf denen WeatherNext 3s Platzierung ersichtlich ist. Leser können Googles breitere geografische und KI-Arbeit über Google Earth Engine, AlphaEarth Foundations und Earth AI erkunden.

Googles Hinweis besagt, dass Nutzer für offizielle Wettervorhersagen, Unwetterwarnungen und öffentliche Sicherheitshinweise ihre örtliche meteorologische Behörde oder ihren nationalen Wetterdienst konsultieren sollten.

Quelle: Google DeepMind Blog