Google DeepMind stellt WeatherNext 3 vor: Stündliche KI-Wetterprognosen mit Live-Satellitendaten

Mit WeatherNext 3 will Google die globale Wettervorhersage deutlich präziser und aktueller machen. Das KI-Modell verarbeitet laufend Satellitendaten, aktualisiert Prognosen stündlich und arbeitet bei wichtigen Oberflächenwerten mit bis zu 5 Kilometern Auflösung. Verbesserungen verspricht Google vor allem bei Niederschlag, lokalen Wetterunterschieden und Prognosen für Wind- und Solarenergie.

Google DeepMind und Google Research haben mit WeatherNext 3 eine neue Generation ihres globalen KI-Wettermodells vorgestellt. Der zentrale Fortschritt liegt weniger in einem einzelnen neuen Messwert als in der Kombination aus höherer räumlicher Auflösung, stündlichen Aktualisierungen und der direkten Nutzung aktueller Satellitenbeobachtungen. Damit will Google eine Schwäche vieler bisheriger KI-Wettermodelle adressieren: lokale und schnell wechselnde Wetterlagen möglichst zeitnah abzubilden.

Nach Angaben von Google ist WeatherNext 3 das bislang fortschrittlichste und genaueste globale Wettermodell des Unternehmens. Im veröffentlichten Beitrag verweist Google dabei auch auf unabhängige Live-Evaluierungen von Brightband. Wie bei solchen Leistungsangaben üblich, hängen die Ergebnisse allerdings stark von Messgröße, Vergleichsmodell, Region und Vorhersagezeitraum ab. Die präsentierten Verbesserungen sind daher vor allem als Benchmark-Ergebnisse zu verstehen und nicht als Garantie für jede einzelne Wetterlage.

Bis zu 5 Kilometer Auflösung und stündliche Prognosen

Ein wesentlicher Unterschied zu WeatherNext 2 ist die deutlich feinere Auflösung. WeatherNext 3 kann wichtige Oberflächenvariablen wie Temperatur und Feuchtigkeit auf einem Raster von 5 Kilometern darstellen. Andere Oberflächenwerte werden mit 10 Kilometern, atmosphärische Größen wie Windgeschwindigkeiten mit 25 Kilometern Auflösung berechnet. WeatherNext 2 arbeitete laut Google noch mit einem 25-Kilometer-Raster und Vorhersageschritten von sechs Stunden. Die neue Generation liefert dagegen stündliche Prognosen.

Besonders wichtig ist dabei die Datenbasis. Viele KI-Wettermodelle werden auf Ergebnissen klassischer numerischer Wettervorhersagemodelle trainiert. Diese physikbasierten Simulationen benötigen erhebliche Rechenleistung und können mit zeitlicher Verzögerung vorliegen. WeatherNext 3 verarbeitet zusätzlich ein laufend aktualisiertes Mosaik globaler geostationärer Satellitendaten. Dadurch soll jede neue Prognose stärker auf den zuletzt verfügbaren Beobachtungen der Atmosphäre beruhen.

Gerade bei schnell entstehenden Stürmen, Fronten oder Niederschlagsgebieten kann eine häufigere Aktualisierung relevant sein. Auch lokale Unterschiede in Küstenregionen, Tälern oder Gebirgen lassen sich mit groben Rastern nur eingeschränkt abbilden. Google trainiert WeatherNext 3 deshalb zusätzlich direkt auf Messdaten von Wetterstationen. Das soll helfen, regionale Besonderheiten und topografische Effekte besser in die Prognosen einzubeziehen.

Google hebt außerdem hervor, dass hochauflösende Wettermodelle bisher besonders in Regionen mit begrenzter Recheninfrastruktur schwer verfügbar waren. WeatherNext 3 soll deshalb auch für Teile Lateinamerikas, Afrikas und des asiatisch-pazifischen Raums einen praktischen Vorteil bringen. Der Ansatz ersetzt dabei nicht automatisch lokale Messnetze oder nationale Wetterdienste, könnte aber hochauflösende globale Prognosedaten leichter zugänglich machen.

Deutliche Fortschritte bei der Niederschlagsvorhersage

Ein Schwerpunkt des neuen Modells ist die Niederschlagsvorhersage. Regen und Schnee gelten als besonders schwierig vorherzusagen, weil relevante Wolken- und Niederschlagsprozesse kleinräumig und dynamisch sind. Für WeatherNext 3 nutzt Google unter anderem die satellitengestützten IMERG-Daten der NASA sowie eine eigene globale Niederschlags-Reanalyse auf Basis von Satellitenradar.

Bei mittelfristigen globalen Prognosen meldet Google Verbesserungen des Continuous Ranked Probability Score, kurz CRPS, von bis zu 60 Prozent gegenüber IMERG, 30 Prozent gegenüber MRMS und 10 Prozent gegenüber Regenmessern bei frühen Vorhersagezeiträumen. Diese Werte sind beachtlich, sollten aber korrekt eingeordnet werden: Ein besserer probabilistischer Score bedeutet nicht, dass jede konkrete Regenzelle oder jedes Extremereignis exakt getroffen wird.

Variablen für Wind- und Solarstrom

Neu sind außerdem speziell auf erneuerbare Energien zugeschnittene Variablen. WeatherNext 3 prognostiziert Windgeschwindigkeiten in 100 Metern Höhe, also ungefähr auf Höhe moderner Windturbinen, sowie hochauflösende Bewölkung und Sonneneinstrahlung. Für Betreiber von Wind- und Solarparks können solche Daten helfen, die erwartete Stromproduktion besser abzuschätzen und mit der Nachfrage im Netz abzugleichen.

WeatherNext 3 bleibt nicht auf ein Forschungsprojekt beschränkt. Google integriert das Modell in eigene Produkte und Plattformen. Dazu zählen Google Search, die Gemini-App, Google Maps, die Weather API der Google Maps Platform und Google Earth Engine. Für Entwickler, Forschung und Unternehmen sollen die Daten außerdem über BigQuery und Earth Engine abrufbar sowie über Google Cloud Storage in größerem Umfang verfügbar sein.

Für Vorhersagen mit einem Planungshorizont von mindestens einem Tag spricht Google von bis zu 50 Prozent genaueren Niederschlagsprognosen, wobei die größten Verbesserungen in Regionen erzielt werden sollen, in denen Vorhersagen bislang weniger zuverlässig waren. Auch hier gilt: „bis zu" beschreibt den besten gemessenen Verbesserungswert und nicht eine gleichmäßige Steigerung um 50 Prozent an jedem Ort.

WeatherNext 3 zeigt damit, wie stark sich KI-Wettermodelle von reinen Experimenten zu praktischen Infrastrukturen entwickeln. Der entscheidende Fortschritt ist die Verbindung von globaler Abdeckung, hoher Aktualisierungsfrequenz und realen Beobachtungsdaten. Gleichzeitig bleibt Wetter grundsätzlich unsicher. Google weist selbst darauf hin, dass für amtliche Vorhersagen, Unwetterwarnungen und Sicherheitshinweise weiterhin lokale meteorologische Behörden und nationale Wetterdienste maßgeblich sind.