Wie KI die Wettervorhersage veraendert: GraphCast, AIFS und Kanadas GEML

Wetterbehoerden in Europa und Nordamerika haben damit begonnen, kuenstliche Intelligenzmodelle parallel zu Jahrzehnte alten physikalisch-mathematischen Prognosesystemen zu verwenden, und in einigen Faellen die beiden zu kombinieren. Die Verschiebung wird durch die Faehigkeit der KI angetrieben, eine globale 10-Tage-Vorhersage in unter einer Minute auf einem einzelnen Prozessor zu erstellen, im Vergleich zu Stunden Supercomputer-Zeit fuer traditionelle numerische Wettervorhersage, wie Google DeepMind und das Europaeische Zentrum fuer mittelfristige Wettervorhersage (ECMWF) berichten.

Was GraphCast und AIFS eigentlich tun

GraphCast, entwickelt von Google DeepMind, ist ein Machine-Learning-Modell, das Graph Neural Networks verwendet, um Wetterdaten ueber mehr als eine Million Gitterpunkte zu verarbeiten, die die Erdoberflaeche mit einer Auflosung von 28 mal 28 Kilometern abdecken. Es nimmt den atmosphaerischen Zustand von vor sechs Stunden und den aktuellen Zustand und sagt die naechsten sechs Stunden voraus; wenn dieser Schritt wiederholt wird, entsteht eine 10-Tage-Vorhersage. Das Modell und seine Ergebnisse wurden am 14. November 2023 in der Zeitschrift Science veroeffentlicht, wobei der Code als Open Source freigegeben wurde, wie aus der eigenen Ankuendigung von Google DeepMind hervorgeht.

ECMWF baute sein eigenes System, das Artificial Intelligence Forecasting System (AIFS), das am 25. Februar 2025 operativ wurde und neben dem traditionellen physikalisch-mathematischen Integrated Forecasting System (IFS) des Zentrums laeuft. AIFS verwendet die gleichen Ausgangsdaten wie IFS – etwa 60 Millionen qualitaetskontrollierte Beobachtungen von Satellitten, Flugzeugen, Bojen und Bodenstationen, die alle sechs Stunden gesammelt werden – wendet aber ein Machine-Learning-Modell an, das auf historischen Wettermustern trainiert ist, anstatt Physikgleichungen direkt zu loesen, wie ECMWF berichtet.

Wie genau sind die KI-Modelle nach Angaben der Organisationen, die sie gebaut haben

Google DeepMind berichtete, dass GraphCast genauere Vorhersagen als ECMWFs High Resolution Forecast (HRES) – beschrieben von dem Unternehmen als Industrie-Benchmark – fuer mehr als 90% von 1.380 Test-Variablen und Vorhersagezeitraeume lieferte, und fuer 99,7% der Variablen, die spezifisch fuer die Troposphaere gelten, die Schicht der Atmosphaere, in der sich die meisten Wetter abspielt. DeepMind sagte auch, dass GraphCast die Landung des Hurrikans Lee in Nova Scotia neun Tage im Voraus vorhergesagt hat.

ECMWF berichtete, dass AIFS "fuer viele Massstaebe besser abschneidet als modernste physikalisch-mathematische Modelle, einschliesslich tropischer Zyklon-Bahnen, mit Verbesserungen von bis zu 20%," waehrend es grob 1.000-mal weniger Energie pro Vorhersage als herkoemmliche Methoden verwendet.

Kanadas hybrider Ansatz: KI fuehrt ein physikalisch-mathematisches Modell

Environment and Climate Change Canada waehlte einen anderen Weg und baute ein kanadisches KI-Modell namens Global Environmental eMuLator (GEML) auf der Grundlage von DeepMinds Open-Source-Code von GraphCast auf und trainierte es mit kanadischen historischen Wetterdaten. Anstatt das physikalisch-mathematische Modell zu ersetzen, kombiniert die Behoerde die beiden durch eine Technik, die sie "spektrale Nudging" nennt: Das traditionelle Modell wird sanft zum atmosphaerischen Zustand geleitet, der von GEML erzeugt wird, waehrend feinere Details, die fuer schweres Wetter relevant sind, immer noch mit etablierten physikalischen Gleichungen entwickelt werden, wie aus der offiziellen Ankuendigung der Behoerde hervorgeht. Das Hybridsystem wurde am 27. Mai 2026 nach mehr als einem Jahr Tests operativ.

Environment and Climate Change Canada sagte, dass KI-Modelle fuer grossflaeche atmosphaerische Muster besser als traditionelle Computermodelle abschneiden koennen, was bei laengeren Vorhersagezeitraeumen am meisten zaehlt, veroeffentlichte aber in der Ankuendigung keine spezifische Verbesserungszahl.

Wo KI immer noch Schwaechen hat

Sowohl ECMWF als auch Environment and Climate Change Canada wiesen auf Grenzen hin. ECMWFs AIFS laeuft derzeit nur als deterministische Einzelvorhersage; eine Ensemble-Version mit 50 Vorhersagevarianten, die zum Standard fuer die Bewertung der Vorhersageunsicherheit gehoert, wird noch entwickelt, wie ECMWF berichtet. Environment and Climate Change Canada sagte, dass aktuelle KI-Modelle von selbst nur eine begrenzte Anzahl von Variablen vorhersagen, was fuer den operativen Einsatz nicht ausreichend ist, und dass sie feinere atmosphaerische Details so glaetten, dass dies die Genauigkeit fuer bestimmte Arten von Extremwetter senken kann – ein Grund, warum die Behoerde einen hybriden Design anstelle eines rein KI-gestuetzten Systems waehlte.