Google DeepMind und Google Research stellen mit WeatherNext 3 ein neues KI-Wettermodell vor, das Echtzeit-Satellitendaten nutzt und stündlich aktualisiert wird. Die Vorhersagen erreichen eine fünfmal höhere Auflösung als der Vorgänger und sollen Milliarden Menschen weltweit zugutekommen. Erfahren Sie hier, was das Modell leistet und wo es bereits zum Einsatz kommt.

WeatherNext 3: Ein neuer Maßstab für globale Wettervorhersagen

Die Entwicklung von WeatherNext 3 markiert einen entscheidenden Schritt in der Evolution der KI-basierten Wettervorhersage. Während herkömmliche numerische Wettervorhersagemodelle auf rechenintensive physikalische Simulationen angewiesen sind und oft mit einer Verzögerung von sechs Stunden arbeiten, lernt das neue Modell direkt aus Echtzeit-Beobachtungen. Durch die Verarbeitung roher Satellitendaten erzeugt es jede Stunde eine neue Prognose in hoher Auflösung und liefert so ein aktuelles, detailreiches Bild der globalen Wetterlage.

Unerreichte Auflösung und räumliche Präzision

Ein zentraler Fortschritt von WeatherNext 3 liegt in der räumlichen und zeitlichen Auflösung. Das Modell erstellt stündliche Vorhersagen für verschiedene Variablen auf mehreren Auflösungsebenen. Oberflächenvariablen wie Temperatur und Feuchtigkeit werden in einem Raster von fünf Kilometern berechnet, andere Bodenfaktoren in zehn Kilometern und atmosphärische Größen wie Windgeschwindigkeit in 25 Kilometern.

Stündliche Vorhersagen in Fünf-Kilometer-Schritten

Dies entspricht einer globalen Wetterdarstellung, die rund fünfmal schärfer ist als beim Vorgänger WeatherNext 2. Nutzer profitieren damit von deutlich lokaleren und physikalisch konsistenten Prognosen, die globale Windmuster ebenso abbilden wie regionale Besonderheiten durch lokale Topographie.

Physikalische Konsistenz von global bis lokal

Einige Variablen wie Temperatur und Luftfeuchtigkeit können sich innerhalb weniger Kilometer stark ändern. Das ist besonders für Gemeinden an Küsten, in Tälern oder Gebirgen relevant. Herkömmliche Modelle scheitern hier oft, weil sie auf grobkörnigen Atmosphärendarstellungen trainieren. WeatherNext 3 berücksichtigt diese lokalen Extreme durch direktes Training mit Wetterstationsdaten.

Echtzeitdaten statt veralteter Simulationen

Herkömmliche KI-Wettermodelle werden meist mit Daten aus numerischen Vorhersagesystemen trainiert. Diese physikalischen Simulationen benötigen Supercomputer und weisen eine typische Latenz von sechs Stunden auf. Für schnell veränderliche Faktoren wie Regen oder Oberflächentemperaturen führt dies zu Verzerrungen.

WeatherNext 3 umgeht dieses Problem, indem es ein Mosaik aus live gesendeten geostationären Satellitendaten verarbeitet. Das Modell erhält so eine kontinuierlich aktualisierte Sicht auf die Atmosphäre und kann jede Stunde eine neue Vorhersage generieren, die auf den aktuellsten verfügbaren Satellitenbeobachtungen basiert. Besonders bei plötzlich auftretenden Stürmen, Fronten oder Niederschlagssystemen liefert der schnelle Aktualisierungszyklus frühere und detailliertere Erkenntnisse.

Präzise Vorhersagen für bisher unterversorgte Regionen

Viele Regionen in Lateinamerika, Afrika und im Asien-Pazifik-Raum hatten bisher nur eingeschränkten Zugang zu hochauflösenden Wettervorhersagen. Die hohen Kosten für supercomputerbasierte regionale Modelle machten lokale Prognosen für Milliarden Menschen unzugänglich. WeatherNext 3 trainiert direkt mit spärlichen Wetterstationsdaten und erstellt globale Vorhersagen auf einem Fünf-Kilometer-Raster, das regionale Details wie Küstenlinien, Täler und Gebirgszüge berücksichtigt. Damit bringt das KI-Wettermodell hochpräzise Vorhersagen in Gebiete, die bisher von der Wetterrevolution ausgeschlossen waren.

Optimierung für erneuerbare Energien

Neben allgemeinen Wetterdaten führt WeatherNext 3 spezifische Variablen für die saubere Energieerzeugung ein. Das Modell prognostiziert Windgeschwindigkeiten in 100 Metern Höhe – ungefähr auf der Nabe moderner Windturbinen – und liefert hochaufgelöste Daten zu Wolkenbedeckung sowie Sonneneinstrahlung. Solarparks und Netzbetreiber können damit ihre Erträge präziser planen und die Stromerzeugung besser an den Verbrauch anpassen.

Durchbruch bei der Niederschlagsvorhersage

Globale Wettermodelle haben traditionell große Schwierigkeiten, Niederschlag akkurat vorherzusagen. Regen- und Schneesysteme entstehen durch schnelle Wolkenprozesse auf kleinsten Skalen, die sich mit physikbasierten Simulationen nur schwer modellieren lassen. KI-Vorhersagen lieferten bislang oft unscharfe Schätzungen oder verpassten die Grenzen schwerer Stürme völlig.

Google DeepMind trainiert WeatherNext 3 mit zwei hochwertigen Niederschlagsdatenquellen: den satellitengestützten IMERG-Daten der NASA und einer eigenen globalen Niederschlags-Reanalyse basierend auf Satellitenradar. Das Ergebnis ist eine signifikante Verbesserung der Vorhersagegenauigkeit. Bei mittelfristigen globalen Prognosen zeigt das Modell Verbesserungen des Continuous Ranked Probability Score um bis zu 60 Prozent gegenüber IMERG, 30 Prozent gegenüber MRMS und 10 Prozent gegenüber Regenmessungen für frühe Vorhersagezeiträume.

Integration in Google Search, Maps und Cloud

Um die Forschung aus dem Labor in die tägliche Anwendung zu bringen, integriert Google WeatherNext 3 breitflächig in sein Ökosystem. Die stündlich aktualisierten globalen Vorhersagen sind ab sofort in Google Search, der Gemini App, Google Maps, der Google Maps Platform Weather API und Google Earth Engine verfügbar.

Für Nutzer bedeutet dies konkret: Bei der Planung von Aktivitäten einen Tag im Voraus fallen Niederschlagsprognosen bis zu 50 Prozent genauer aus – mit den stärksten Verbesserungen in Regionen, in denen Wettervorhersagen bisher weniger zuverlässig waren. Entwickler und Unternehmen können die Daten über BigQuery und Earth Engine abfragen oder über Google Cloud Storage herunterladen.

Fazit: Wettervorhersage trifft Realität

Die Atmosphäre bleibt ein komplexes und teils unberechenbares System. Doch indem WeatherNext 3 direkt auf realen Beobachtungen trainiert und die Einschränkungen traditioneller Modellierungen umgeht, nähert sich die Wettervorhersage der Realität auf dem Boden stärker an als je zuvor. Ob für Landwirte, Katastrophenschutz, Luftverkehr oder die Wochenendplanung – das KI-Wettermodell macht präzise Prognosen universell zugänglich.

Quelle: Google DeepMind Blog

Hinweis: Für offizielle Wettervorhersagen, Unwetterwarnungen und sicherheitsrelevante Hinweise wenden Sie sich bitte an Ihre nationale Wetterdienststelle oder meteorologische Behörde.