DeepMinds WeatherNext soll Zyklonprognosen weiter nach vorn rücken

DeepMind zielt auf eine seit Langem bestehende Lücke in der Zyklonprognose

Google DeepMind hat WeatherNext Cyclones, kurz WN-C, vorgestellt. Das ist ein KI-System, das tropische Zyklone vorhersagen soll, indem es sowohl prognostiziert, wohin ein Sturm ziehen wird, als auch wie stark er werden wird. Diese Kombination ist wichtig, weil die operative Vorhersage seit Langem zwischen zwei Stärken aufgeteilt ist: Manche Modelle sind besser bei der Zugbahn, andere bei der Intensität. Dem vorliegenden Bericht zufolge soll WN-C beide Aufgaben in einem einzigen System abdecken und in Tests die nützliche Vorhersageleistung gegenüber führenden operativen Ansätzen um etwa einen Tag verlängern.

Das Modell wurde mit dem US National Hurricane Center, dem Cooperative Institute for Research in the Atmosphere und dem UK Met Office entwickelt. DeepMind führt seit Juni 2025 außerdem Live-Prognosen im Google Weather Lab aus, was darauf hindeutet, dass das Unternehmen das System nicht nur als Forschungsdemonstration, sondern als etwas positioniert, das eher einem operativen Entscheidungswerkzeug nahekommt.

Warum Zyklonintensität weiter ein schweres Problem bleibt

Die Vorhersage tropischer Zyklone hat sich über Jahrzehnte stetig verbessert, aber nicht gleichmäßig über alle Aufgaben hinweg. Die Zugbahn eines Sturms lässt sich im Allgemeinen zuverlässiger vorhersagen als schnelle Änderungen seiner Stärke. Die vorliegende Quelle beschreibt dies als einen Kompromiss, der im heutigen Modell-Ökosystem eingebaut ist. Globale Systeme wie das Ensemble des European Centre for Medium-Range Weather Forecasts sind stark bei der Zugbahnführung, doch ihre grobe Auflösung begrenzt ihre Fähigkeit, Intensität gut aufzulösen. Regionale Spezialmodelle wie NOAAs Hurricane Analysis and Forecast System können Intensitätsschätzungen schärfen, müssen dafür aber womöglich bei der Zugbahnleistung Federn lassen.

Dieser Kompromiss ist nicht akademisch. Einsatzkräfte, Versicherer, Versorger, Hafenbetreiber und lokale Behörden brauchen oft beide Antworten gleichzeitig: Wird der Sturm treffen, und kommt er als mäßiger Zyklon oder als schnell intensiver werdende große Bedrohung an? Wenn ein Modell beides in einem Arbeitsablauf verbessern kann, könnte das die Vorhersageabläufe vereinfachen und die Unsicherheit in den entscheidenden Vorbereitungsfenstern verringern.

Wie die berichteten Fortschritte aussehen

Nach der angegebenen Quelle übertraf WN-C die Vergleichssysteme sowohl bei Zugbahn- als auch bei Intensitätsmetriken. Für Fünf-Tage-Prognosen wich die geschätzte Position des Sturmzentrums im Mittel um 230 Kilometer ab, gegenüber 370 Kilometern beim ECMWF-ENS und 335 Kilometern beim früheren GenCast-Modell von DeepMind. Bei Drei-Tage-Intensitätsprognosen war WN-C dem Bericht zufolge 3,75 Knoten genauer als HAFS.

Der Bericht sagt außerdem, das Modell habe die Leistung von ENS und GenCast bei probabilistischen Intensitätsprognosen über mehrere Vorhersagehorizonte mehr als verdoppelt. Das ist besonders relevant für Hurrikan-Schwellenwerte, bei denen Entscheidungsträger nicht nur nach einer einzelnen vorhergesagten Windgeschwindigkeit fragen, sondern nach Wahrscheinlichkeiten, dass ein Sturm kritische Gefahrenstufen überschreitet. In diesem Rahmen scheint WN-C weniger als Ersatz für eine einzelne deterministische Zugbahnlinienspur gedacht zu sein, sondern eher als Werkzeug für risikobasiertes Planen.

Ein in der Quelle genanntes operatives Beispiel war Hurrikan Melissa im Jahr 2025. DeepMind sagte, das Modell habe dem National Hurricane Center geholfen, eine schnelle Intensivierung rechtzeitig zu erkennen. Rapid Intensification ist eines der schwierigsten und operativ wichtigsten Vorhersageprobleme, weil sich schnell stärker werdende Stürme schneller entwickeln können, als Evakuierungsentscheidungen und Infrastrukturvorbereitungen nachkommen.

Grobere Daten, stärkere Ergebnisse

Eine der auffälligeren Behauptungen in der Quelle ist, dass WN-C mit Daten arbeitet, die deutlich gröber sind als jene spezialisierter Regionalmodelle. Die berichtete Gitterauflösung liegt bei etwa 28 Kilometern, selbst eine kompakte Version arbeitet noch mit 111 Kilometern. Dennoch sagt DeepMind, das Modell schlage Systeme, die von viel feineren räumlichen Details abhängen.

Daraus ergeben sich zwei mögliche Folgen. Die erste ist praktisch: Wenn das Modell aus niedriger aufgelösten Eingaben mehr Vorhersagewert zieht, könnte es Rechenkosten senken und den Zugang zu hochwertigen Prognosen verbreitern. Die zweite ist wissenschaftlich: Sie legt nahe, dass KI-Systeme Sturmverläufe aus großräumigen atmosphärischen Kontexten lernen könnten, und zwar auf eine Weise, die sich nicht sauber mit traditionellen Erwartungen an Auflösung und Prognosequalität deckt.

Die Quelle merkt an, dass selbst DeepMinds Entwickler nicht vollständig erklären können, warum das System so gut abschneidet. Das ist ein wichtiger Vorbehalt. Starke Benchmark-Ergebnisse lassen weiterhin Fragen nach Robustheit, Randfällen, Fehlerbildern und Interpretierbarkeit offen. In hochriskanter Wettervorhersage sind diese Fragen fast so wichtig wie die reine Genauigkeit.

Warum die Veröffentlichung über ein einzelnes Modell hinaus wichtig ist

Die größere Bedeutung von WN-C liegt darin, dass es einen Wandel zeigt, wie KI in die angewandte Wissenschaft einzieht. Das ist nicht bloß eine chatbotartige Schicht über Wetterdaten. Es ist ein domänenspezifisches Vorhersagesystem für ein Problem, bei dem bessere Leistung direkt zu früheren Warnungen, gezielteren Evakuierungen und besserem Schutz von Energie-, Verkehrs- und Kommunikationsinfrastruktur führen kann.

Die Quelle setzt den Leistungsgewinn ungefähr mit einem Jahrzehnt Fortschritt in der traditionellen Wettervorhersage gleich. Selbst wenn sich dieser Vergleich im breiteren realen Einsatz als zu optimistisch erweist, ist die Richtung klar: KI-Wettermodelle bewegen sich von experimentellen Ergänzungen hin zu Systemen, die die Praxis der operativen Vorhersage beeinflussen könnten.

Das bedeutet nicht, dass konventionelle Modelle verschwinden. Operative Vorhersage basiert typischerweise auf Ensembles, Gegenprüfungen und menschlicher Expertise, nicht auf einem einzelnen Gewinner-Modell. Doch WN-C setzt die Branche unter Druck, weil es zeigt, dass KI-Systeme nicht mehr auf enge Vorhersagenischen beschränkt sein müssen. Wenn sie Zugbahn und Intensität gemeinsam verbessern können, könnte einer der hartnäckigsten operativen Kompromisse in der Zyklonprognose langsam kleiner werden.

Worauf als Nächstes zu achten ist

Die nächste Frage ist, ob die veröffentlichten Benchmark-Erfolge über kommende Sturmsaisons, verschiedene Ozeanbecken und seltene Randereignisse hinweg Bestand haben. Vorhersager werden außerdem wissen wollen, wie sich das Modell verhält, wenn die atmosphärischen Bedingungen außerhalb seiner Trainingshistorie liegen, und ob es sich sauber in bestehende Warn- und Beratungspipelines integrieren lässt.

Für den Moment wirkt WeatherNext Cyclones wie ein bedeutender Schritt in der angewandten KI für Wetterrisiken. Die wichtigste Behauptung ist nicht nur, dass es besser ist als frühere KI-Systeme. Es ist, dass es sowohl spezialisierte als auch globale operative Modelle zugleich verbessern könnte, genau in dem Bereich, in dem Prognosefehler die höchsten menschlichen und wirtschaftlichen Kosten verursachen können.

Dieser Artikel basiert auf der Berichterstattung von The Decoder. Zum Originalartikel.