DWD nutzt KI, Satelliten und Messflüge – Vorhersagen bleiben unsicher.
In Kürze
- Beobachtung, Modelle und Menschen bilden die Basis
- KI hilft, Modellfehler zu reduzieren
- Mehr Messdaten & höhere Auflösung nötig
Seit 65 Jahren erstellt der Deutsche Wetterdienst (DWD) Vorhersagen – und obwohl heute vieles besser berechenbar ist als früher, gibt es weiterhin ein Phänomen, das dem Dienst Kopfzerbrechen bereitet. Um die Prognosen zu verbessern, setzt der DWD mittlerweile nicht nur auf klassische Modelle, sondern auch auf künstliche Intelligenz (KI), Satellitenbeobachtungen und Messflüge.
Wie entstehen Vorhersagen?
Meteorologische Vorhersagen beruhen auf einem Dreiklang aus Beobachtungen, Rechenmodellen und menschlicher Einschätzung. Diese Daten werden in numerische Wettermodelle eingespeist, die auf physikalischen Gleichungen die Entwicklung von Temperatur, Wind, Luftdruck und Niederschlag durchrechnen. Weil Rechenmodelle nie völlig genau sind, arbeiten Wetterdienste mit Ensemble-Rechnungen – also vielen leicht variierenden Modellläufen – um Unsicherheiten zu quantifizieren.
Satelliten, Radar, Bodenstationen und auch Messungen aus Flugzeugen liefern die rohen Daten:
- Satelliten
- Radar
- Bodenstationen
- Messungen aus Flugzeugen
Welche Rolle spielt KI?
KI-Verfahren (Algorithmen, mit denen Computer Muster erkennen und Vorhersagen treffen) kommen ergänzend zum Einsatz. Sie helfen etwa, systematische Modellfehler zu korrigieren, kleinräumige Muster herauszuarbeiten oder historische Datenmengen effizienter auszuwerten. Laut Roland Potthast, Direktor für meteorologische Analyse und Modellierung beim DWD in Offenbach und Professor an der Universität Reading, verbessern diese Werkzeuge die Aussagenkraft der Vorhersagen, ersetzen aber nicht das physikalische Grundgerüst der Wettervorhersage.
Warum das wichtig ist
Wettervorhersagen sind nicht nur für deine Wochenendplanung relevant. Sie spielen eine zentrale Rolle bei Extremwetterwarnungen, in der Flugsicherheit und bei der Abschätzung, wie viel Strom Wind- und Solarparks produzieren könnten. Gerade bei solchen sicherheits- oder wirtschaftsrelevanten Anwendungen zählt nicht nur eine Punktprognose, sondern auch, wie sicher man sich dieser Prognose sein kann.
Kritik von Nutzern und die Frage nach Zuverlässigkeit
Die Redaktion des MIT Technology Review weist auf Beschwerden von Nutzerinnen und Nutzern hin: Unterschiedliche Apps liefern teils widersprüchliche Vorhersagen – Sonne angesagt, dann Regen. Vor diesem Hintergrund stellt sich die Frage: Wie gut sind Prognosen heute wirklich? Potthast führt aus, dass die Qualität stark vom betrachteten Zeitraum, der räumlichen Auflösung und davon abhängt, welches Instrument oder welcher Anbieter die Endprodukte aufbereitet. Unterschiede zwischen Apps lassen sich also unter anderem durch unterschiedliche Modelle, Post‑Processing-Schritte und Datengrundlagen erklären.
Was noch hilft
Potthast nennt eine Reihe von Stellschrauben, die Prognosen weiter verbessern könnten:
- mehr und dichtere Beobachtungsdaten (zum Beispiel durch zusätzliche Messflüge und Satelliten)
- feinere Modellauflösungen
- der gezielte Einsatz von KI zur Fehlerkorrektur und Unsicherheitsabschätzung
Trotzdem bleibt, so seine Aussage, ein Bereich bestehen, in dem die Vorhersagegenauigkeit limitiert ist – das erwähnte, schwer zu prognostizierende Phänomen wird im Artikel nicht näher spezifiziert.
Keine einfache Antwort, aber viele Bausteine
Kurz gesagt: Die Vorhersagen sind heute deutlich robuster als vor Jahrzehnten, technische Hilfsmittel wie KI, Satelliten und Flugzeuge spielen eine wachsende Rolle – und dennoch gibt es weiterhin Grenzen, an denen Forschung und Technik ansetzen müssen.
Quellen
- Quelle: Deutscher Wetterdienst
- Der ursprüngliche Artikel wurde hier veröffentlicht
- Dieser Artikel wurde im Podcast KI-Briefing-Daily behandelt. Die Folge kannst du hier anhören.
