DeepMind präsentiert WeatherNext Cyclones: bessere, schnellere KI‑Vorhersagen für Tropenstürme.
In Kürze
- 5‑Tage‑Fehler ~230 km
- FGN: deutlich schneller
- Code & Mini‑Modelle frei
DeepMind legt WeatherNext Cyclones vor — eine KI für Tropenstürme
DeepMind hat mit WeatherNext Cyclones (WN‑C) ein neues KI‑Modell zur Vorhersage tropischer Wirbelstürme präsentiert, das Zugbahn und Intensität genauer prognostiziert als viele heute eingesetzte Systeme. Entwickelt wurde WN‑C in Zusammenarbeit mit dem US National Hurricane Center (NHC), dem Cooperative Institute for Research in the Atmosphere (CIRA) und dem UK Met Office; die Vorhersagen laufen seit Juni 2025 im Google Weather Lab live.
Deutlich bessere Fehlerwerte und probabilistische Vorhersagen
WN‑C reduziert den mittleren 5‑Tage‑Zugbahnfehler auf rund 230 km (zum Vergleich: das ECMWF‑Ensemble liegt bei etwa 370 km, das frühere DeepMind‑Modell GenCast bei 335 km). Bei der 3‑Tage‑Intensitätsprognose ist WN‑C etwa 3,75 Knoten (ca. 7 km/h) genauer als das spezialisierte US‑Regionalmodell HAFS. Wahrscheinlichkeitsbasierte Vorhersagen zur Sturmstärke schneiden über viele Vorhersagehorizonte mehr als doppelt so gut ab wie das ECMWF‑Ensemble und GenCast. Für die 64‑Knoten‑Grenze (Hurrikan‑Stärke) melden die Autoren einen deutlich höheren praktischen Nutzen für Entscheidungsprozesse.
Ein Modell für Bahn und Intensität
Ein langjähriger Zielkonflikt in der Sturmvorhersage lautet: Globale Modelle sind stark bei der Zugbahn, regionale Spezialmodelle bei der Intensität. WN‑C kombiniert beides in einem System und liefert damit sowohl bessere Bahn‑ als auch Intensitätsprognosen in einem durchgängig trainierten Modell.
Wie WN‑C arbeitet — kurz und verständlich
- Statt auf Diffusionsverfahren, wie sie aus Bild‑KI bekannt sind und viele Wiederholungen brauchen, setzt WN‑C auf Functional Generative Networks (FGN).
- FGN erzeugt Vorhersagen in einem Durchgang und ist dadurch laut DeepMind rund achtmal schneller als das Diffusionsverfahren von GenCast.
- Unsicherheit modelliert WN‑C nicht als zufälliges Rauschen in einzelnen Pixeln, sondern speist sie gezielt in Steuerungsschichten ein. Das erzeugt unterschiedliche, physikalisch plausiblere Szenarien statt nur verrauschter Bilder.
Überraschend grobe Auflösung reicht aus
Auffällig ist, dass WN‑C mit relativ groben Eingabedaten auskommt: Standardmäßig verwendet das Modell ein Raster mit etwa 28 km Abstand pro Messpunkt — rund hundertmal gröber als manche regionale Modelle. Eine Mini‑Variante mit 111 km pro Punkt liefert laut DeepMind noch konkurrenzfähige Ergebnisse. Warum eine hohe räumliche Auflösung offenbar nicht zwingend nötig ist, bleibt Gegenstand weiterer Forschung.
Trainingsdaten, Szenarienvielfalt und Performance
Das Modell wurde auf zwei Datensätzen trainiert:
- rund 20 Terabyte globaler Wetteranalysen des ECMWF
- eine kuratierte Datenbank mit knapp 5.000 historischen Wirbelstürmen
Sturmtabellen (Position, Intensität, Ausdehnung) wurden auf dasselbe geografische Raster projiziert wie die Wetterdaten, sodass das Netzwerk Zugbahn, Intensität und Windradien direkt vorhersagt. Weil ein 15‑Tage‑Durchlauf auf Googles KI‑Beschleuniger in unter einer Minute läuft, erhöhten die Forscher die Zahl paralleler Szenarien von 50 auf 1.000. Das verbessert die Darstellung seltener Extrema und hebt den Critical Success Index (eine Kennzahl, die richtige Warnungen gegen Fehlalarme abwägt) laut Paper von unter 0,3 auf etwa 0,5.
Ergänzung zu, nicht Ersatz für klassische Modelle
DeepMind betont, dass klassische numerische Modelle weiterhin wichtig sind. Kombiniert man WN‑C mit den üblichen Konsensprodukten der Wetterdienste, verbessert sich die Zugbahnvorhersage im Schnitt um rund 28 %, die Intensitätsprognose um etwa 6 %. Das zeigt, dass traditionelle Modelle insbesondere bei Detailfragen der Intensität weiter beitragen.
Offenheit und Praxiszugang
Code und Modellgewichte von WeatherNext 2 und WeatherNext Cyclones hat DeepMind auf GitHub veröffentlicht. Eine Mini‑Variante lässt sich in einem kostenlosen Colab‑Notebook auf einer einzelnen TPU ausführen. Für offizielle Warnungen bleiben nationale Wetterdienste zuständig; WN‑C ist als Unterstützung für Entscheidungen gedacht, nicht als Ersatz für behördliche Warnmeldungen.
Kontext und Personalien
WN‑C baut auf früheren DeepMind‑Projekten auf: WeatherNext 2 als Basis‑Wetter‑KI und GenCast, das Ende 2024 ein probabilistisches Modell veröffentlichte, das das ECMWF‑Ensemble übertraf. WN‑C ersetzt GenCasts Diffusionsansatz durch das schnellere FGN und erweitert die Methoden systematisch auf tropische Wirbelstürme. Parallel dazu gab es personelle Veränderungen bei DeepMind: CEO Demis Hassabis übernahm die Rolle des Chief Scientist von Alphabet, und der langjährige Forscher Jeff Dean verließ das Unternehmen, um ein neues Startup zu gründen.
Quellen
Quellen
- Quelle: Google DeepMind
- Der ursprüngliche Artikel wurde hier veröffentlicht
- Dieser Artikel wurde im Podcast KI-Briefing-Daily behandelt. Die Folge kannst du hier anhören.
