KI liefert präzise Alltagsprognosen, unterschätzt aber häufig extreme Rekordwerte. Studie von KIT und Uni Genf vergleicht KI mit dem physikalischen HRES-Modell.
In Kürze
- KI erreicht in normalen Lagen HRES-Qualität bei geringerem Rechenaufwand
- Extremereignisse werden von KI-Modellen tendenziell unterbewertet
- Forschende empfehlen Kombination von KI- und physikalischen Modellen
KI trifft Wettervorhersage — mit Vorbehalt: Bei normalen Lagen sind KI-Modelle mittlerweile sehr konkurrenzfähig, bei extremen Rekordwerten bleiben sie aber oft zurück.
Das zeigt eine Studie von Forschenden am Karlsruher Institut für Technologie (KIT) und der Universität Genf, veröffentlicht in Science Advances.
Was die Teams verglichen haben
Sie setzten mehrere aktuelle KI-Modelle gegenüber dem physikbasierten Hochauflösungsmodell HRES des Europäischen Zentrums für mittelfristige Wettervorhersage (ECMWF).
Im Test waren unter anderem:
- WeatherNext 2 von DeepMind
- GraphCast
- Pangu Weather
- Fuxi
Stärken der KI-Ansätze
In alltäglichen Wetterlagen liefern die KI-Modelle sehr gute Ergebnisse. Besonders WeatherNext 2 sticht heraus: Es erzeugt nach Angaben der Studie präzise Vorhersagen für Temperatur, Luftdruck und Wind bis zu zwei Wochen voraus — und das mit einer Genauigkeit auf Stundenebene, bei deutlich geringerem Rechenaufwand als klassische Systeme.
Schwächen bei Extremen
Bei extremen Ereignissen zeigen die KI-Modelle jedoch eine systematische Schwäche. Neue Rekordtemperaturen, außergewöhnlich starke Winde oder extrem hohe Niederschläge werden tendenziell seltener und schwächer vorhergesagt, je stärker ein Rekord die bisherigen Werte übertrifft. Das bedeutet: Je extremer ein Ereignis, desto größer die Gefahr, dass es unterbewertet wird.
Warum das so ist
KI-Modelle lernen aus historischen Daten und sind besonders stark, wenn zukünftige Situationen Ähnlichkeiten zu Gelerntem aufweisen. Probleme entstehen beim Extrapolieren — also beim Vorhersagen von Zuständen, die über das in den Trainingsdaten Dokumentierte hinausgehen. Physikalische Modelle wie HRES basieren dagegen auf den fundamentalen Gleichungen der Atmosphäre, was ihnen hilft, auch in bislang nicht beobachteten Zuständen noch sinnvolle Prognosen zu liefern.
Relevanz für Warnsysteme
Das ist kein rein akademisches Detail: Eine korrekte Einschätzung von Extremereignissen ist zentral für Frühwarnsysteme. Werden Spitzenwerte unterschätzt, können Warnungen zu spät, abgeschwächt oder gar nicht ausgegeben werden — mit direkten Folgen für Schutzmaßnahmen und Einsatzplanung.
Empfehlung der Forschenden
Die Autorinnen und Autoren raten davon ab, numerische, physikbasierte Vorhersagen komplett durch KI-Modelle zu ersetzen. Stattdessen sollten beide Ansätze parallel eingesetzt werden, um die Stärken der jeweiligen Methode zu nutzen und Schwächen auszugleichen.
Quellen
- Quelle: Karlsruher Institut für Technologie (KIT) / Universität Genf
- Der ursprüngliche Artikel wurde hier veröffentlicht
- Dieser Artikel wurde im Podcast KI-Briefing-Daily behandelt. Die Folge kannst du hier anhören.
