Die Vorhersage gefährlicher Zyklone gehört zu den größten Herausforderungen der Meteorologie. Mit WeatherNext präsentiert Google DeepMind nun ein KI-Modell, das die Vorhersagegenauigkeit um einen ganzen Tag verbessert und erstmals als Open Source zur Verfügung steht. Entdecken Sie, wie diese Technologie Leben retten und Gemeinden widerstandsfähiger machen soll.
Ein Durchbruch für die Wettervorhersage
Tropische Wirbelstürme, auch als Hurrikane oder Taifune bekannt, zählen zu den zerstörerischsten Naturphänomenen unseres Planeten. In den vergangenen 50 Jahren waren sie für mehr als 700.000 Todesfälle und wirtschaftliche Schäden in Höhe von 1,4 Billionen Dollar verantwortlich. Für Meteorologen ist die rechtzeitige Warnung vor diesen Stürmen daher ein permanenter Wettlauf gegen die Zeit.
In einer nun im Fachjournal Nature veröffentlichten Studie zeigt das Google DeepMind-Team eindrucksvolle Ergebnisse: Das WeatherNext-KI-Modell erzielt eine hochpräzise Vorhersage von Zyklon-Trassen, Intensität und Windstruktur. Im Durchschnitt gewährt das Modell den Wetterdiensten einen zusätzlichen Tag Vorwarnzeit. Drei-Tages-Prognosen erreichen mit WeatherNext dieselbe Genauigkeit, die herkömmliche Modelle zuvor nur für zwei Tage liefern konnten. Dieser Fortschritt entspricht etwa einem Jahrzehnt meteorologischer Entwicklung.
So funktioniert WeatherNext Cyclones
Bisher erforderte die Zyklonvorhersage einen Kompromiss zwischen zwei unterschiedlichen Modellierungsansätzen. Die Trasse eines Sturms wird von großräumigen, globalen Luftströmungen gesteuert, die sich mit grober Auflösung am besten modellieren lassen. Die Intensität hingegen basiert auf hochlokalen, feinskaligen thermodynamischen Prozessen im Sturmzentrum, die wiederum detailliertere lokale Modelle erfordern.
Ein einzelnes Modell für globale und lokale Muster
WeatherNext Cyclones schließt diese Lücke. Es handelt sich um ein einziges KI-Modell, das sowohl globale Wetterdynamiken als auch feinskalige Zyklonmerkmale mit herausragender Genauigkeit vorhersagt. Das Besondere: Das Modell arbeitet mit einer räumlichen Auflösung von nur 28×28 Kilometern, die 100-mal gröber ist als bei traditionellen Modellen. Wissenschaftler sind überrascht von dieser Effizienz, da bislang geglaubt wurde, dass sehr hohe Auflösung der Schlüssel für präzise Intensitätsprognosen sei.
Training mit fast 20 Terabyte Daten
Das Modell wurde End-to-End auf nahezu 20 Terabyte globaler atmosphärischer Daten sowie der historischen IBTrACS-Datenbank trainiert. Diese umfasst fast 5.000 historische Stürme. Durch dieses Training lernt WeatherNext, komplexe atmosphärische Muster zu erkennen und Extremwetterereignisse realistisch zu modellieren.
Schnelle Ensemble-Vorhersagen
Mithilfe sogenannter Functional Generative Networks (FGNs) erzeugt das System effizient Ensembles aus verschiedenen Vorhersagen. Damit erfasst es die inhärente Unsicherheit des Wetters. Eine 15-Tage-Prognose wird in weniger als einer Minute auf einem TPU erstellt. Inzwischen werden statt 50 nun 1.000 verschiedene Szenarien pro Zyklon simuliert, um auch seltene, aber folgenschwere Ereignisse wie rapide Intensivierung zu erfassen.
Von der Forschung in die reale Anwendung
Die Forschung hat bereits praktische Auswirkungen gezeigt. Während der Hurrikansaison 2025 unterstützte WeatherNext das National Hurricane Center (NHC) bei einer historischen Vorhersage für Hurrikan Melissa. Das Modell sagte die rasche Intensivierung und Landfall auf Jamaika voraus, sodass das NHC eine Vorwarnung ausgeben konnte. Teams vor Ort erhielten so wertvolle Zeit zur Vorbereitung auf die Katastrophe.
Die Entwicklung erfolgte in enger Zusammenarbeit zwischen KI-Forschern bei Google DeepMind und Google Research sowie Experten des NHC, des CIRA, des UK Met Office und weiterer Wetterdienste weltweit.
Open Source für die Forschungsgemeinschaft
Angesichts der breiten gesellschaftlichen Relevanz von Wetterereignissen hat sich das Team entschieden, die Technologie frei zugänglich zu machen. Der Code und die Modellgewichte von WeatherNext 2 sowie WeatherNext Cyclones werden als Open Source veröffentlicht. Damit können Wissenschaftler, meteorologische Dienste und Non-Profit-Organisationen die Modelle für akademische Forschung, operationelle Vorhersagen oder spezialisierte lokale Anwendungen nutzen.
Verfügbare Modelle und Zugang
Zusätzlich zu den vollen Modellen stellt Google WeatherNext 2-mini bereit. Diese kompakte Version läuft auf einem einzelnen TPU und ist über ein kostenloses öffentliches Colab-Notebook zugänglich. Interessierte Nutzer können außerdem aktuelle Zyklonvorhersagen über Weather Lab erkunden. Die Plattform wurde kürzlich mit einer neuen Oberfläche versehen und um globale Wetterprognosen erweitert. Nutzer können Temperatur, Niederschlag und Windgeschwindigkeit in einer einheitlichen Ansicht visualisieren.
Fazit: Gemeinsam widerstandsfähigere Gemeinden schaffen
Mit WeatherNext ist ein historischer Durchbruch gelungen, der die Vorwarnzeit für Zyklone um mehr als 24 Stunden verlängert. Dies entspricht dem Fortschritt eines ganzen Jahrzehnts in der Meteorologie. Durch die Kombination aus modernstem maschinellem Lernen und menschlicher Expertise entsteht ein kollaboratives Ökosystem, das Leben retten und Gemeinden bei der Anpassung an den Klimawandel unterstützen kann.
Hinweis: Für offizielle Wettervorhersagen und Warnungen konsultieren Sie bitte Ihre nationale Wetterbehörde.
Quelle: deepmind.google
