Google DeepMind und Google Research haben WeatherNext 3 vorgestellt, das das Unternehmen als sein bisher fortschrittlichstes globales Wettervorhersagemodell beschreibt. Unabhängige Live-Evaluierungen von Brightband zeigen, dass das System sowohl gegenüber konventionellen numerischen Verfahren als auch gegenüber seinem Vorgänger WeatherNext 2 einen erheblichen Sprung bei Prognosegenauigkeit und räumlicher Auflösung erzielt.

Das neue Modell bricht mit der etablierten Praxis, indem es direkt aus Echtzeitbeobachtungen lernt, anstatt sich ausschließlich auf historische Daten der numerischen Wettervorhersage zu stützen, die typischerweise mit einer Verzögerung von sechs Stunden einhergehen. WeatherNext 3 verarbeitet stündlich globale Mosaikaufnahmen geostationärer Satelliten und kann dadurch Prognosen im Stundentakt mit einer Auflösung von bis zu fünf Kilometern für Oberflächenvariablen wie Temperatur und Feuchtigkeit erzeugen. Die Hinwendung zu KI-basierten Prognosen reicht weit über Googles eigene Produkte hinaus: Prognosemodelle auf Basis von maschinellem Lernen laufen in der Regel zu einem Bruchteil der Rechenkosten herkömmlicher, auf Supercomputern basierender numerischer Wettervorhersage – ein Faktor, der bestimmt, wie schnell Behörden wie NOAA, ECMWF und nationale Wetterdienste vergleichbare Verfahren übernehmen.

Das bedeutet eine Verfünffachung der räumlichen Präzision gegenüber WeatherNext 2, das auf einem 25-Kilometer-Raster mit Sechs-Stunden-Schritten arbeitete; atmosphärische Variablen wie Windgeschwindigkeit werden mit 25 Kilometern aufgelöst. Im Kern des Systems steht ein Functional-Generative-Network-Mesh-Transformer, der sowohl Satellitenbilder als auch traditionelle historische Analysen verarbeitet, um dichte Rasterfelder, diskrete Zyklonenbahnen und Stationsvorhersagen nativ zu erzeugen.

Introducing WeatherNext 3, our most advanced and accurate global weather AI model to date, from @GoogleDeepMind and @GoogleResearch. This new forecasting model learns directly from real-time observations, and uses raw satellite data to produce a forecast every hour in high… pic.twitter.com/WlljsjiSfy — News from Google (@NewsFromGoogle) September 3, 2026

Energieprognosen und weltweite Verfügbarkeit

Über die technische Verfeinerung hinaus bringt WeatherNext 3 spezialisierte Funktionen für den Bereich erneuerbare Energien und historisch unterversorgte Regionen. Das Modell prognostiziert Windgeschwindigkeiten in 100 Metern Höhe zusammen mit hochauflösenden Wolkenbedeckungs- und Sonnenstrahlungsschätzungen und versorgt Netzbetreiber und Projektentwickler mit präzisen Werkzeugen zur Vorhersage der Erzeugung sauberer Energie und zur Abstimmung von Angebot und Verbrauchernachfrage. Diese Fähigkeit adressiert eine seit langem bestehende betriebliche Herausforderung für Stromnetze mit steigenden Wind- und Solaranteilen, bei denen die Erzeugungsschwankungen genaue Kurzfristprognosen für die Einsatzplanung und Netzstabilität erfordern.

Da das System direkt auf spärlichen Beobachtungen von Wetterstationen trainiert wird, statt auf geglätteten atmosphärischen Simulationen, berücksichtigt es lokale Topografie und extreme mikro klimatische Schwankungen, die insbesondere für Küsten-, Tal- und Bergregionen relevant sind. Diese Methodik ist vor allem für Lateinamerika, Afrika und den asiatisch-pazifischen Raum bedeutsam, wo hochauflösende Prognosen historisch durch die unerschwinglichen Supercomputing-Kosten herkömmlicher Regionalmodelle begrenzt waren.

Die Niederschlagsgenauigkeit hat sich durch das Training mit NASAs IMERG-Satellitendaten und Googles proprietärer globaler Niederschlags-Reanalyse deutlich verbessert. Unabhängige Evaluierungen zeigen Continuous Ranked Probability Scores, die gegenüber IMERG-Benchmarks bis zu 60 % besser ausfallen, alongside 30 % Verbesserungen gegenüber MRMS und 10 % gegenüber Regenmessungen an frühen Vorhersagezeiträumen.

Google setzt WeatherNext 3 mit sofortiger Wirkung in seinen Verbraucher- und Unternehmensökosystemen ein. Das Modell speist nun Wetterfunktionen in Search, Gemini, Maps, der Google Maps Platform Weather API und Earth Engine. Nutzer, die Reisen oder Aktivitäten im Freien planen, können auf Niederschlagsprognosen stoßen, die bei längeren Vorhersagezeiträumen bis zu 50 % genauer sind – mit den größten Zuwächsen in Regionen, denen es zuvor an zuverlässiger Prognoseinfrastruktur mangelte.

Für Forschung und Unternehmen stehen stündliche globale Prognosedatensätze über BigQuery und Earth Engine abfragbar zur Verfügung oder können über Google Cloud Storage in großem Umfang heruntergeladen werden, ohne dass ein eigener Modelleinsatz erforderlich ist. Die Veröffentlichung setzt Googles Reihe von WeatherNext-Modellen und seine GraphCast-Arbeiten fort – Teil eines breiteren Branchentrends, bei dem KI-Wettermodelle großer Technologieunternehmen und meteorologischer Behörden zunehmend ergänzend zu konventionellen physikbasierten Vorhersagesystemen eingesetzt werden.